- 多目标优化问题是优化领域的热点问题，指的是同时对多个相互冲突的目标进行优化。
- 扩大数据处理规模的流行方法是使用并行处理，将计算分布到多个处理器上。
进化算法（EAs）几十年来一直是流行的优化工具，在解决各种基准优化问题方面表现出色。然而，在超过 100 个决策变量的问题（大规模优化问题）上使用进化算法仍然具有挑战性，这是由于“维数灾难”，特别是对于实际应用中的那些 LSOPs。
程赫博士简介
程赫博士是中国领先大学之一华中科技大学的教授。他的研究兴趣是人工/计算智能及其应用，已发表 40 多篇 SCI 论文。他是 IEEE 高级会员，Complex and Intelligent Systems 的副编辑。他还是 PloS One 和 Electronics 的编委，IEEE CIS 智能工作组主席。程赫的研究课题是计算智能及其在电网中的应用。
另请阅读：人工智能的道德伦理讨论
另请阅读：人工智能能否实现意识？
问：在算法中，什么是多目标优化？
这是一个有趣的问题。多目标优化问题是优化领域的一个话题，意思是对多个相互冲突的目标同时进行优化。举个例子，设计一辆汽车时，你希望它安全、便宜，同时性能又非常好。但这可能吗？总是不可能的，因为你需要在价格、安全和性能之间取得平衡。因此，多目标优化就是试图找到这三个相互冲突目标之间的最佳权衡，这就是多目标优化。
问：你在演讲中还提到了大规模优化。它是什么？
大规模优化是优化领域中一个具有挑战性的问题。举个例子，如果我们想设计一个产品，通常我们只有几个决策变量，比如高度、重量等几个设计变量。但考虑包含数百个甚至数千或数十亿个决策变量的问题，这是一个巨大的搜索空间，你要设计这样的问题将非常耗时且通常是不可能的。这就是大规模优化。这是优化领域的一个挑战性问题。
问：在大规模优化中，从数千到数百万甚至数十亿的规模。我们能做些什么？
目前流行的方法是使用并行处理，将计算分布到多个处理器或机器上。此外，实施分布式计算框架，如 Apache Hadoop 或 Apache Spark，可以通过在计算机集群间分布数据和计算来处理大数据集。技术如主成分分析（PCA）可以在保留数据大部分变异的同时减少数据集中的变量数量。同时，我们可以通过剪枝不需要的部分（如神经网络中的神经元）来降低模型的复杂性。
问：你在报告中推荐了 LSMOF 模型。它如何帮助解决实际问题？
LSMOF 算法是一种旨在加速大规模多目标优化问题优化过程的算法，其主要贡献是试图加速优化问题。如我们所说，如果一种算法用于优化一个问题需要数小时甚至数天，但如果你使用这个组件，它可以加速到大约几分钟。因此在实际应用中，你可以将我的算法 LSMOF 组件作为良好的局部最优逼近方法，从而加速设计过程。
问：另一件我真的很感兴趣的是 TREE。你在其研究中做了哪些努力？
我们在中国的电压互感器在线协作中使用了 TREE 技术，在 29 个省份部署了该方法来监控超过 20,000 台电压互感器，这被证明是监控这些设备的最有效方式之一，确保了电网的安全。
程赫，华中科技大学教授
这是一个有趣的问题。TREE 问题是一个实际应用问题，即电压互感器的比率误差估计。可以说，电压互感器是电网中的基础但关键的设备，用于测量电网电压，用于控制和安全保障等许多非常重要的事项。因此，我们需要监测其健康状态。但传统上我们需要人工对该设备进行手动校准，这意味着必须切断电源，既危险又昂贵。
但如果将该问题转化为一个优化问题，意味着你只需要使用计算机进行计算，就能获得设备的健康状态，节省了人力等，而且安全，从而确保了我们所做工作的电网安全。
研究意义
优化算法的研究对网络的未来发展具有重要意义。这些算法使决策过程更加高效，对于管理现代网络的复杂性和规模至关重要。通过加速设计变量的优化和平衡相互冲突的目标，它们为网络架构、资源分配和业务优化方面的创新解决方案铺平了道路。