群體智能讀書會 | 第七期：分布式與多任務群智優化算法研究

導語

在智能交通、智慧物流等場景中，群體智能需要在分布式算力與海量數據環境下高效協作，但也面臨目標難評估、信息難匯集、協作難擴展的問題。本次分享先從分布式數據驅動群智出發，介紹多代理協同、按需評估的聯邦優化與網絡化多智能體協同優化，并探討用大模型增強感知、理解與策略生成以提升分布式協作能力；隨后進一步面向多任務群智優化，說明如何通過演化遷移學習在任務間轉移知識，加速收斂并提升整體性能，重點介紹多層次多段遷移、神經網絡遷移建模與模糊自適應調頻等方法。

內容簡介

一、分布式群智協同優化

群體智能是匯聚群體智慧協同求解復雜問題的方法，是《新一代人工智能發展規劃》明確的重要發展方向，在智能交通、智慧物流等領域得到廣泛應用。隨著超算、邊緣計算等技術的快速發展，傳統群體智能方法面臨著個體目標難評估、全局信息難匯集、群體協作難拓展的挑戰，本報告以分布式數據驅動的群體智能為主題，介紹如何有效利用數據，激發分布式環境下更高效的群智涌現，通過多代理模型協同驅動、按需評估的分布式聯邦優化、網絡化多智能體協同優化等技術，提高群體智能算法的魯棒性、高效性、可擴展性；并探索基于智能體的數據驅動群體智能方法，利用大模型提升個體環境感知、任務理解、策略生成能力和群體分布式協作的能力。

二、多任務群智優化：基于演化遷移學習的算法設計

多任務優化（EMTO）是一種群體智能算法領域新涌現出的一種問題范式，通過利用多個優化任務之間的共享知識來同時解決這些任務。目前，多任務優化已廣泛應用與工程設計、機器學習和資源分配等眾多實際領域。與傳統的單任務算法不同，多任務優化中的一個任務的解決方案可以為相關任務提供信息或改進解決方案，從而加速收斂并提高整體性能。因此，不同任務之間的知識轉移對于促進任務的優化至關重要。 而如果實現高效的知識遷移也是多任務優化領域的研究重點。本次讀書會從以下三個方面介紹一些最新的知識遷移技術以及對應的多任務算法。包括：

1、多層次多段學習:與傳統只在對齊維度上的知識遷移不同，該只是遷移技術瞄準相似或相關的維度上進行KT，同時避免處理異構問題時的維度填充帶來的冗余信息。

2、基于神經網絡的知識轉移：與傳統基于個體的表層知識遷移不同，基于神經網絡的知識遷移側重與分析任務的相似性，獲得信息預測的轉移模型，實現知識的本質遷移。

3、模糊自適應學習:該知識遷移策略首先設計一個從多方面綜合評價知識遷移性能的方案，通過不同方面的遷移性能評估，使用模糊邏輯，實現遷移頻率的自適應調整。

分享大綱

內容1 分布式數據驅動群體智能：背景與應用場景

• 內容1.1 群體智能的定位與價值：復雜問題協同求解、交通與物流等應用

• 內容1.2 新算力環境帶來的挑戰：目標難評估、信息難匯集、協作難拓展

• 內容1.3 分布式數據驅動思路：以數據激發更高效的群智涌現

內容2 分布式群體智能關鍵技術：協同驅動與分布式優化

• 內容2.1 多代理模型協同驅動：分布式環境下的群體協作機制設計

• 內容2.2 按需評估的分布式聯邦優化：降低評估成本與提升魯棒性

• 內容2.3 網絡化多智能體協同優化：提升效率、可擴展性與穩定性

內容3 智能體+大模型：增強個體能力與群體協作能力

• 內容3.1 個體能力增強：環境感知、任務理解與策略生成

• 內容3.2 群體能力增強：分布式協作與信息協調能力提升

• 內容3.3 數據驅動范式升級：從傳統群體智能到智能體群智

內容4 多任務優化EMTO：問題范式與核心機制

• 內容4.1 EMTO基本思想：多任務共享知識的聯合求解框架

• 內容4.2 應用領域：工程設計、機器學習與資源分配等場景

• 內容4.3 性能來源：任務間信息復用帶來的加速收斂與整體提升

內容5 知識遷移：多任務優化中的關鍵科學問題

• 內容5.1 知識轉移的重要性：跨任務信息供給與互促優化

• 內容5.2 難點與目標：實現高效遷移、避免負遷移與冗余信息

• 內容5.3 方法線索：遷移對象、遷移方式與遷移頻率的系統設計

內容6 三類知識遷移技術與對應多任務算法

• 內容6.1 多層次多段學習：面向相關維度的遷移與異構冗余抑制

• 內容6.2 基于神經網絡的知識轉移：任務相似性建模與本質遷移模型

• 內容6.3 模糊自適應學習：多方面遷移評估與遷移頻率自適應調整

核心概念

• 分布式數據驅動群體智能 Distributed Data-driven Swarm Intelligence

• 多代理協同驅動 Multi-agent Cooperative Driving

• 分布式聯邦優化 Federated Optimization

• 網絡化多智能體協同優化 Networked Multi-agent Cooperative Optimization

• 多任務優化EMTO Evolutionary Multi-Task Optimization

• 知識遷移 Knowledge Transfer

• 基于神經網絡的知識轉移 Neural Network-based Knowledge Transfer

• 模糊自適應學習 Fuzzy Adaptive Learning

主講人介紹

主講人：魏鳳鳳，華南理工大學計算機科學與工程學院助理教授，碩士生導師，主要研究方向是群體智能、進化計算、分布式優化、數據驅動優化、智能體與多智能體系統，已發表國際期刊和國際會議論文50余篇，其中IEEE Trans.長文15篇；主持國家自然科學基金青年科學基金項目、中國博士后科學基金面上項目、廣東省自然科學基金面上項目等；獲廣東省人工智能產業協會科學技術獎自然科學獎一等獎、第四屆國際分布式人工智能會議最佳論文、中國仿真學會智能優化與調度專委優博、ACM廣州分會優博；現任中國計算機學會協同計算專業委員會委員。

主講人：王子佳，男，博士，廣州大學計算機科學與網絡工程學院副教授，碩士生導師。主要研究方向：計算智能、群體智能、機器學習。2015年本科畢業于中山大學自動化系，獲工學學士學位，2020年直博畢業于中山大學計算機系，獲工學博士學位；畢業后至2021年7月在騰訊科技（深圳）有限公司擔任高級算法研究員；2021年8月以百人計劃青年學者身份進入廣州大學任副教授，現在是學院青年干部儲備人才。2023-2024年度廣州大學“最受學生歡迎的教師”。目前主持國家自然科學基金青年基金項目一項、廣東省自然科學基金面上項目三項、廣州市基礎研究計劃市校（院）聯合資助項目一項、廣州市基礎與應用基礎研究項目一項。累計發表論文40余篇，其中中科院JCR一區和IEEE Transactions論文20余篇，包括8篇IEEE Transactions on Cybernetics（IEEE TCYB，IF=10.5）、4篇IEEE Transactions on Evolutionary Computation（IEEE TEVC，IF=12.0），5篇入選ESI高被引論文，4篇論文被列入ESI研究前沿。現已榮獲吳文俊人工智能優秀博士學位論文獎（全國9人）、ACM廣州分會新星獎（廣東省3人）、ACM廣州分會優秀博士學位論文獎（廣東省2人）、廣東省計算機科學青年學術秀一等獎（廣東省3人）。擔任IEEETCYB、IEEE TEVC、IEEE TNNLS、IEEE TSMC、IEEE TIFS、IEEE TETCI等多本頂級刊物的審稿人。現任IEEE高級會員、CCF高級會員、中國計算機學會協同計算專業委員會委員、中國自動化學會粒計算及其應用專業委員會委員、中國仿真學會智能仿真優化與調度專業委員會委員、中國圖學學會圖學大數據專業委員會委員、廣東省計算機學會大數據專業委員會委員。受邀出任亞洲人工智能技術大會（ACAIT 2023/2024/2025）和國際機器智能與應用大會（MiTA2024）的Session Chair，擔任國際期刊《Complex System Modeling and Simulation》、《CAAI Transactions on Intelligence Technology》的青年編委，并榮獲國際期刊《Human-Centric Intelligent Systems》的杰出審稿人獎。

參考文獻

1. Feng-Feng Wei, Wei-Neng Chen, Tian-Fang Zhao, Kay Chen Tan, and Jun Zhang, “A Survey on Distributed Evolutionary Computation”, IEEE Computational Intelligence Magazine, accepted, 2025.

2. Feng-Feng Wei, Wei-Neng Chen, and Jun Zhang, “AIEA: An Asynchronous Influence-Based Evolutionary Algorithm for Expensive Many-Objective Optimization”, IEEE Transactions on Cybernetics, vol. 55, no. 2, pp. 786-799, 2025.

3. Feng-Feng Wei, Wei-Neng Chen, Xiao-Qi Guo, Bowen Zhao, Sang-Woon Jeon, and Jun Zhang, “CrowdEC: Crowdsourcing-based Evolutionary Computation for Distributed Optimization”, IEEE Transactions on Services Computing, vol. 17, no. 6, pp. 3286-3299, 2024.

4. Z. -F. Xue, Z. -J. Wang*, Y. Jiang, Z. -H. Zhan, S. Kwong and J. Zhang, “Multi-Level and Multi-Segment Learning Multitask Optimization via a Niching Method,” in IEEE Transactions on Evolutionary Computation, doi: 10.1109/TEVC.2024.3511941.

5. Z. -F. Xue, Z. -J. Wang*, Z. -H. Zhan, S. Kwong and J. Zhang, “Neural Network-Based Knowledge Transfer for Multitask Optimization,” in IEEE Transactions on Cybernetics, vol. 54, no. 12, pp. 7541-7554, Dec. 2024.

6. C. -L. Wang, Z. -J. Wang*, Z. -F. Xue, Z. -H. Zhan, S. Kwong and J. Zhang, “Fuzzy Adaptive Multitask Optimization,” in IEEE Transactions on Cybernetics, doi: 10.1109/TCYB.2025.3614438.

報名讀書會：

「群體智能：從自然涌現到人機共創」

集智俱樂部聯合北京師范大學系統科學學院韓戰鋼教授、暨南大學計算傳播研究中心趙甜芳副教授、新疆大學物理科學與技術學院玉素甫·艾比布拉副教授等學者，共同發起本次，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優化，放在同一張地圖上重新理解。讀書會自2026年1月24日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現、如何被理解、以及如何被設計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

視頻號直播預約：

報名方式：

第一步：微信掃碼填寫報名信息。

第二步：填寫信息后，付費報名。如需用支付寶支付，請在PC端進入讀書會頁面報名支付：

第三步：添加運營助理微信，拉入對應主題的讀書會社區（微信群）。

PS：為確保專業性和討論的聚焦，本讀書會謝絕脫離讀書會主題和群體智能相關問題的空泛的哲學和思辨式討論；如果出現討論內容不符合要求、經提醒無效者，會被移除群聊并對未參與部分退費。

加入社區后可獲得的資源

完整權限包括：線上問答、錄播回看、資料共享、社群交流、信息同步、共創任務獲取積分等。