Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem is tracked as a internet infrastructure institution within the internet infrastructure ecosystem.
Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem has public-source relevance to network operations, governance, dependency mapping, or market structure.
Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem has public-source relevance to network operations, governance, dependency mapping, or market structure.
Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem is tracked as a internet infrastructure institution within the internet infrastructure ecosystem.
Public-source signals support medium-impact monitoring for infrastructure visibility and dependency analysis.
Public-source signals support medium-impact monitoring for infrastructure visibility and dependency analysis.
| 0.90–1.00 | A | High — direct sources |
| 0.75–0.89 | A/B | Strong |
| 0.55–0.74 | B/C | Medium |
| 0.35–0.54 | C/D | Weak–medium |
| 0.10–0.34 | D | Weak signal |
| 0.00–0.09 | D | Internal monitoring |
Plusieurs sources publiques
- Le problème d'optimisation multi-objectifs est un sujet brûlant dans le domaine de l'optimisation, qui fait référence à l'optimisation simultanée de plusieurs objectifs contradictoires.
- L'approche populaire pour augmenter le traitement des données consiste à utiliser le traitement parallèle pour répartir les calculs sur plusieurs processeurs.
Les algorithmes évolutionnaires (AE) sont un outil d'optimisation populaire depuis des décennies, montrant des performances prometteuses dans la résolution de divers problèmes d'optimisation de référence. Néanmoins, l'utilisation des AE sur des problèmes avec plus de 100 variables de décision (problèmes d'optimisation à grande échelle) reste difficile en raison du « fléau de la dimension », en particulier pour ces LSOP dans les applications réelles.
Présentation du Dr Cheng He
Le Dr Cheng He est professeur à l'Université des sciences et technologies de Huazhong, l'une des principales universités chinoises. Ses recherches portent sur l'intelligence artificielle/computationnelle et ses applications, et il a publié plus de 40 articles dans des revues SCI. Il est Senior Fellow de l'IEEE et rédacteur associé de Complex and Intelligent Systems. Il est membre du comité éditorial de PloS One et d'Electronics, et président du groupe de travail sur l'intelligence de l'IEEE CIS. Le thème de recherche de Cheng He est l'intelligence compétitionnelle et son application dans le réseau électrique. Voir aussi: Ziggo Group nomme ses dirigeants avant l'introduction en Bourse à Amsterdam en 2027.
À lire aussi: Discussion morale et éthique sur l'intelligence artificielle
À lire aussi: L'intelligence artificielle peut-elle atteindre la conscience ?
Q: Dans l'algorithme, qu'est-ce que l'optimisation multi-objectifs ?
C'est un problème intéressant. Le problème d'optimisation multi-objectifs est un sujet dans le domaine de l'optimisation qui signifie optimiser plusieurs objectifs contradictoires simultanément. Prenons un exemple: pour concevoir une voiture, vous voulez qu'elle soit sûre, bon marché, mais aussi très performante. Est-ce possible ? Ce n'est pas toujours impossible, car vous devez trouver un équilibre entre le prix, la sécurité et la performance. Ainsi, l'optimisation multi-objectifs cherche à trouver le meilleur compromis entre ces trois objectifs contradictoires. Voir aussi: Alejandro Estua.
Q: Vous avez également mentionné l'optimisation à grande échelle dans votre présentation. De quoi s'agit-il ?
L'optimisation à grande échelle est un problème difficile dans le domaine de l'optimisation. Prenons un exemple: si nous voulons concevoir un produit, nous n'avons généralement que quelques variables de décision, comme la hauteur, le poids, et quelques autres variables de conception. Mais considérons un problème qui comprend des centaines, voire des milliers ou des milliards de variables de décision. C'est un énorme espace de recherche. Vouloir optimiser ce problème prendrait beaucoup de temps et serait presque impossible. C'est cela l'optimisation à grande échelle. C'est un problème difficile dans le domaine de l'optimisation. Voir aussi: Alejandro Manzo.
Q: Dans l'optimisation à grande échelle, de milliers à des millions, voire des milliards d'échelle. Que pouvons-nous faire ?
L'approche populaire actuelle consiste à utiliser le traitement parallèle pour répartir le calcul sur plusieurs processeurs ou machines. De plus, la mise en œuvre de cadres de calcul distribué, tels qu'Apache Hadoop ou Apache Spark, peut traiter de grands ensembles de données en répartissant les données et le traitement sur des grappes d'ordinateurs. Des techniques comme l'analyse en composantes principales (ACP) peuvent réduire le nombre de variables dans un ensemble de données tout en conservant la majeure partie de la variation des données. Parallèlement, nous pouvons élaborer des modèles pour réduire la complexité du modèle en élaguant les parties inutiles, comme les neurones dans un réseau de neurones. Voir aussi: Alejandro Hernandez.
Q: Vous avez recommandé le modèle LSMOF dans votre rapport. Comment aide-t-il à résoudre des problèmes pratiques ?
L'algorithme LSMOF est conçu pour accélérer le processus d'optimisation du problème d'optimisation multi-objectifs à grande échelle. En fait, sa principale contribution est d'essayer d'accélérer le problème d'optimisation. Comme nous l'avons dit, si un algorithme est utilisé pour optimiser un problème, cela prend, disons, des heures ou des jours. Mais si vous utilisez ce composant, cela peut être accéléré à environ quelques minutes. Ainsi, dans les applications réelles, vous pouvez utiliser mon algorithme, ce composant LSMOF, comme une bonne méthode d'approximation locale optimale qui peut accélérer le processus de conception. Voir aussi: Alejandro Garza.
Q: Un autre point qui m'intéresse vraiment est TREE. Quels efforts avez-vous déployés dans sa recherche ?
Nous avons utilisé la technologie TREE dans notre collaboration en ligne sur les transformateurs de tension en Chine, où nous avons déployé cette méthode dans 29 provinces pour surveiller plus de 20 000 transformateurs de tension, et cela a été documenté comme l'un des moyens les plus efficaces de surveiller cet équipement, garantissant la sécurité du réseau. Voir aussi: Alejandro Guerrero.
Cheng He, professeur à l'Université des sciences et technologies de Huazhong
C'est une question intéressante. Le problème TREE est un problème d'application réelle, qui est l'estimation de l'erreur de rapport des transformateurs de tension. Pour dire cela, le transformateur de tension est un dispositif fondamental mais crucial dans le réseau électrique, il mesure la tension du réseau à des fins de contrôle, de sécurité et bien d'autres choses très importantes. Nous devons donc surveiller son état de santé, mais traditionnellement, nous devons faire appel à des humains pour effectuer l'étalonnage manuel de ce dispositif, ce qui nécessite de couper l'alimentation électrique, ce qui est dangereux et coûteux. Voir aussi: Alec Gramont.
Mais si nous transformons ce problème en un problème d'optimisation, cela signifie que vous avez simplement besoin d'un ordinateur pour faire quelques calculs et obtenir l'état de santé du dispositif, ce qui permet d'économiser la main-d'œuvre, est plus sûr et garantit la sécurité du réseau électrique. Voilà ce que nous avons fait. Voir aussi: La chipflation de l'IA met sous pression les fabricants d'appareils au-delà des centres de données.
Importance de la recherche
La recherche sur les algorithmes d'optimisation est d'une grande importance pour le développement futur des réseaux. Ces algorithmes rendent le processus de prise de décision plus efficace et sont essentiels pour gérer la complexité et l'échelle des réseaux modernes. En accélérant l'optimisation des variables de conception et en équilibrant les objectifs contradictoires, ils ouvrent la voie à des solutions innovantes en matière d'architecture réseau, d'allocation des ressources et d'optimisation commerciale.
Domain of operation
Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem is profiled by BTW Media because published evidence links it to internet infrastructure, governance, operational dependencies, or market visibility.
- Public role: Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem is framed by interview with cheng he, professor of computational intelligence: the ‘billions’ problem is tracked as a internet infrastructure institution within the internet infrastructure ecosystem. and public market context. Base de preuve: Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem article record; Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem article record
- Operating surface: Market and Asia Pacific provide the public context for this institution profile. Base de preuve: Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem article record; Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem article record
Chronologie
- Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem public profile updated
Public coverage records Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem as a subject for role, operating context, and evidence review.
En bref
- Nom: Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem
- Type: Internet infrastructure institution
- Base: Asia Pacific
- Axe du profil: Institution
Ce que cela fait
- Les documents publics permettent de suivre son rôle, ses services et ses relations clés.
Pourquoi c'est important
- Public-source signals support medium-impact monitoring for infrastructure visibility and dependency analysis.
- Criticité opérationnelle: Medium
- Horizon: Next quarter
À surveiller
- Le suivi porte sur la continuité de service vérifiée, les changements de gouvernance et les signaux relationnels.
Suivre les mises à jour de sources vérifiées, les changements de rôle et les preuves publiques actuelles.
Public-source signals support medium-impact monitoring for infrastructure visibility and dependency analysis.
La pertinence de long terme dépend de changements vérifiés dans l'exploitation, les politiques et les relations.
Briefing membre
Contexte de profil approfondi
Connectez-vous pour débloquer le briefing de profil complet et les notes de source.
Réservé au Cercle stratégique
Cercle stratégique
Ouvert à tous les lecteurs. Débloquez les briefings de profil après adhésion et connexion.
Rejoindre le Cercle stratégiqueRéservé à l'Alliance de leadership
Alliance de leadership
Réservé aux propriétaires et dirigeants qualifiés d'actifs IP ; connectez-vous pour débloquer les briefings Alliance.
Rejoindre l'Alliance de leadershipVue publique
The public read of Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem is limited to visible role, operating context, and relationship evidence.
Points de vigilance
- New public role, affiliation, product, policy, or market disclosures.
- Verified relationship changes involving named organizations or people.
Réserves
- Private or unverified claims are excluded from this public view.
FAQ
Why is Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem included?
Interview with Cheng He, professor of computational intelligence: The ‘billions’ problem has public evidence that makes the institution relevant to BTW's coverage of digital infrastructure, governance, or markets.
What is public about this profile?
The public layer covers visible role, operating context, linked organizations, and evidence-backed watchpoints.
What should readers watch next?
Readers should watch for source-backed role changes, new partnerships, regulatory exposure, operating expansion, or evidence that changes the public assessment.
