智能优化与学习
面向国家人工智能发展战略需求，针对多重特性的复杂决策问题，开展智能优化与学习方法及应用研究，形成基于群体智能的优化与学习理论体系，助推农业、能源、制造、交通等行业高端化、智能化、绿色化发展。具体研究方向包括：
（1）多模态多目标优化：面向实际优化问题中决策空间到目标空间映射不唯一、优秀方案易丢失等问题，研究双域协同搜索策略和环境选择机制，提升种群搜索能力，减小进化过程中帕累托解集丢失。
（2）约束多目标进化优化：面向多目标、强约束等复杂优化问题，研究具有强自适应能力和问题知识学习能力的约束优化框架，设计算法智能推荐系统。
（3）代理模型进化优化：针对工业优化中目标函数不能显式表达且求解过程耗时的问题，使用机器学习模型代替优化过程极其昂贵的适应度函数评价，通过利用模型的预测信息引导种群进化，在有限计算资源内提高优化效率。
（4）进化机器学习：面向高维数据降维、复杂数据表征难、特征交互性强等难点，开展基于进化优化的特征学习研究；针对深度学习模型架构调参难、模型参数多、可解释性差等问题，开展进化神经网络架构搜索和进化深度学习研究。