个人简介:Gary G. Yen于1992年获得圣母大学电气和计算机工程的博士学位,目前是俄克拉荷马州立大学电气和计算机工程学院的杰出教授。他的研究兴趣包括智能控制,计算智能,进化多目标优化,健康状态监测,信号处理以及其它工业/国防应用。
Gary在1994年至1999年期间担任IEEE Transactions on Neural Networks 和IEEE Control Systems Magazine的副主编,2000年至2010年担任IEEE Transactions on Control Systems Technology,IEEE Transactions on Systems, Man and Cybernetics 以及IFAC期刊Automatica 和 Mechatronics的副主编。目前担任IEEE Transactions on Evolutionary Computation和IEEE Transactions on Cybernetics两个期刊的副主编。
Gary在2004 - 2005年间担任IEEE计算智能学会副主席,2006-2009年担任IEEE Computational Intelligence Magazine的创始主编。2010-2011年担任 IEEE计算智能学会主席,并为2012-2014年的杰出讲师。
2009年Gary获得了OSU颁发的杰出研究奖,2011年获得IEEE Systems, Man and Cybernetics Society颁发的Andrew P Sage 最优会刊论文奖,2013年获IEEE计算智能学会颁发的最优服务奖,并于2014年获得洛克希德马丁航空卓越教学奖。
目前Gary是IEEE和IET的院士。
主讲内容简介:进化计算是一种模仿生物自然进化和适者生存的计算方法。基于种群的启发式算法在多目标优化问题中的应用受到了越来越受多的关注。目前,进化多目标优化算法已成功应用于目标函数或者甚至约束函数是不确定或者动态的优化问题中。
然而,当优化问题面临越来越多的优化目标时,由于仅仅依赖Pareto优化其选择压力将会降低,导致几乎所有算法的性能都会下降。本报告首先将回顾目前已有的许多目标进化优化算法及其在实际中的应用,随后,将主要介绍多目标优化在实际应用中的三大问题,包括可视化、性能矩阵以及多标准决策支持。在进化过程中高维目标空间的种群可视化可提供特定特征用于辅助设计许多目标优化算法。设计了用于评价许多目标优化方法的性能矩阵,用于防止已有的不同性能矩阵和Pareto最优原理相冲突。最后,针对多标准决策支持提出了最小曼哈顿距离(MMD)方法,该过程等同于在分而治之中提出的拐点选择策略。