报告题目一：面向优化应用的自动算法定制化设计方法

报告人：龚月姣

报告时间：2025年6月23日上午10:00

报告地点：28-414会议室

报告简介：优化应用广泛存在于科学和工程的各个领域。为解决复杂优化问题，过去半个多世纪的研究中诞生了数以千计的优秀算法，但“没有免费的午餐”定理却表明不存在一种普适的算法能够在所有问题上都实现最优性能。当面对具体的优化任务时，仍然需要投入大量的人力和计算资源去选择、设计和调试合适的算法。当下，深度强化学习、元学习等技术的蓬勃发展为自动化算法设计提供了新的契机。课题组近期围绕这一方向，从算法选择到算法配置、再到基于符号公式学习的算法生成，逐步提升算法设计的自动化程度。为促进这一新兴领域的蓬勃发展，我们还开发了名为MetaBox的元黑箱优化平台，内置自动化算法开发与评测工作流。我们相信，学习驱动的自动化算法设计将深刻改变未来应对复杂优化问题的方式，显著降低算法设计与调优的门槛和成本，为科学与工程研究的加速提供强大助力。

报告人简介：龚月姣，华南理工大学教授，博士生导师，广东省高层次人才项目获得者。主要研究方向为基于群体智能、深度学习、强化学习的优化方法及在智慧城市、智能交通中的应用，主持国家和省部级项目10项，发表国内外学术论文100余篇，包括IEEE/ACM Transactions系列期刊论文50余篇、NeurIPS/ICLR/GECCO等会议论文50余篇。论文谷歌引用7000余次。入选斯坦福人工智能领域全球前 2%顶尖科学家榜单，获TCL 青年学者、滴滴盖亚青年学者等荣誉称号，曾获 ACM 广州、国家高性能协同创新中心等机构颁发的优秀博士学位论文奖等。

报告题目二：语言模型视角下的生成式自动优化算法设计

报告人：马泽原

报告时间：2025年6月23日上午10:00

报告地点：28-414会议室

报告简介：一直以来“没有免费午餐定理”制约着工业界和科学界问题求解的效率。在优化领域，这一问题更加突出。具体来说，想要求解一个全新的优化问题，除了前置的必不可少的问题建模，数学形式化等工作外，最耗费人力物力及时间资源的莫过于人工专家设计与问题特性匹配的优化算法这一过程。

近来，语言模型优秀的自回归学习能力进一步得到验证和发展。优化算法自身具备良好的语法结构性，能够在语言模型建模下得以表达，这为基于深度学习的自动算法设计提供了新的机遇。团队近期基于自动优化算法生成的语言模型建模这一角度，提出代码语义空间和模块化算子空间两种自动算法生成框架，填补了元黑箱优化领域的最后一公里：端到端算法从零设计。本次报告将从算法自动设计与语言模型匹配性、具体学习框架设计、一手实验经验等方面为大家介绍团队在基于学习驱动的元黑箱优化领域的最新进展。希望这些一手经验与思路能够推动优化领域的自动化及智能化。

报告人简介：马泽原，华南理工大学博士生，师从龚月姣教授（广东省杰青，IEEE TEVC副主编，Stanford全球前2%科学家）。本人研究方向专注于结合先进机器学习技术辅助黑箱优化算法自主设计。提出“元黑箱优化”理论，利用元学习算法的可学习泛化特性辅助各类底层黑箱优化算法设计任务。本人在深度强化学习，演化计算以及大语言模型推断与训练等领域均积累了丰富的工作经验。已发表或投稿国际知名高水平学术会议及期刊论文19篇，其中第一作者（含共一）13篇，google scholar h-index 为8，i10-index为7。本人已担任多个高水平学术会议及期刊的审稿人，如NeurIPS、ICLR、ICML等国际顶级人工智能会议，以及IEEE TEVC、IEEE TNNLS、IEEE TETCI、IEEE TCDS国际知名期刊。