题 目：Decomposition and Cooperative Coevolution Techniques for Large  Scale  Global  Optimization
时 间：4月18日（周六）下午 2:30-3:15
地 点：主楼A-103
 

摘 要：Many real world optimization problems involve a large number of decision variables.  For example, in shape optimization a large number of shape design variables are often used to represent complex shapes, such as turbine blades, aircraft wings, and heat exchangers. However, existing optimization methods are illequipped in dealing with this sort of large scale global optimization (LSGO) problems. A natural approach to tackle LSGO problems is to adopt a divideand conquer strategy. A good example is the early work on a cooperative coevolutionary (CC) algorithm by Potter and De Jong (1994), where a problem is decomposed into several subcomponents of smaller sizes, and then each subcomponent is “cooperatively coevolved” with other subcomponents. 
This talk will provide an overview on the recent development of CC algorithms for LSGO problems, in particular those extended from the original Potter and De Jong’s CC model. One key challenge in applying CC is how to best decompose a problem in a way such that the inter dependency between subcomponents can be kept at minimum. Another challenge is how to best allocate a fixed computational budget among different subcomponents when there is an imbalance of contributions from these subcomponents. Equally dividing the budget among these subcomponents and optimizing each through a round robin fashion (as in the classic CC method) may not be a wise strategy, since it can waste lots of computational resource. Many more research questions still remain to be answered. In recent years, several interesting decomposition methods (or variable grouping methods) have been proposed. This talk will briefly survey these methods, and identify their strengths and weakness. The talk will also describe a contribution based method for better allocating computation among the subcomponents.  Finally I will present a newly designed variable grouping method, namely differential grouping, which outperforms those early surveyed decomposition methods. 
  

报告人简介:
Xiaodong Li received his B.Sc. degree from Xidian University, Xi'an, China, and Ph.D. degree in information science from University of Otago, Dunedin, New Zealand, respectively. Currently, he is an Associate Professor at the School of Computer Science and Information Technology, RMIT University, Melbourne, Australia. His research interests include evolutionary computation, machine learning, complex systems, multiobjective optimization, and swarm intelligence. He serves as an Associate Editor of the IEEE Transactions on Evolutionary Computation, the journal of Swarm Intelligence, and International Journal of Swarm Intelligence Research. He is a founding member and currently a Vice chair of IEEE CIS Task Force on Swarm Intelligence, and currently a Chair of IEEE CIS Task Force on Large Scale Global Optimization. He was the General Chair of SEAL'08, a Program Co Chair AI'09, and a Program Co Chair for IEEE CEC’2012. He is the recipient of the 2013 ACM SIGEVO Impact Award.