报告人简介
钱超，南京大学人工智能学院教授、博导。长期从事人工智能中演化学习基础理论研究，以第一/通讯作者在人工智能国际一流期刊和会议上发表50余篇论文；部分成果成功应用于华为工厂排产、无线网络优化、芯片寄存器寻优等任务，获2次华为“难题揭榜”火花奖，落地华为产品线；应用于自然科学领域基础问题（如土壤微生物源碳预测），成果以共同一作发表于美国国家科学院院刊PNAS。担任IEEE计算智能学会“演化理论”工作组主席、“演化学习”工作组创始主席，担任人工智能/演化计算权威国际期刊Artificial Intelligence、Evolutionary Computation、IEEE Trans.、Evolutionary Computation等编委，在国际人工智能联合大会IJCAI’22作Early Career Spotlight报告，并将担任第22届亚太人工智能国际会议PRICAI’25程序委员会主席。获ACM GECCO’11最佳理论论文奖，基于演化算法的芯片布局工作获第21届ACM SIGEVO Human-Competitive BRONZE Award。获国家优秀青年科学基金（2020），CCF-IEEE CS青年科学家奖（2023），并主持新一代人工智能国家科技重大专项（青年科学家）。获南京大学青年五四奖章、南京大学“师德先进”青年教师奖，执教的《启发式搜索与演化算法》被研究生选为“我心目中的好课程”。
内容简介
机器学习任务常涉及多个目标，这给传统优化算法带来了巨大挑战。受达尔文进化论启发产生的演化算法展现出令人鼓舞的实验效果，但这类算法几乎纯粹是“启发式”，缺乏理论支撑：在不少情况下有效，但为何奏效、在何种条件下奏效却并不清楚，因此难以被主流机器学习界认可。该报告将介绍我们为建立多目标演化学习理论基础所做的系列工作，以及在理论结果指导下设计的性能首次有理论保障的演化学习算法。
