研究方向

智能优化是一类借鉴自然进化、生物群体协同行为以及统计学习等机制求解复杂优化问题的方法，包括进化计算、群智能优化、贝叶斯优化等技术。其优势在于能够有效求解大规模、多目标、多约束以及黑盒优化问题，在保证求解质量的同时兼顾计算效率。

本课题组面向工业与交通 CPS 中的大规模决策问题，重点开展进化计算、群体智能、学习增强优化，以及优化与仿真融合等理论与方法研究。

鲁棒优化通过在数学模型中显式刻画不确定扰动因素及水平，提升决策方案对环境变化的适应性和稳定性。其核心价值在于兼顾优化性能与决策可靠性，使系统在未知扰动条件下仍能保持安全、高效与稳定运行。

本课题组围绕工业与交通 CPS 中的不确定决策问题，重点研究不确定性量化、不确定集构造和风险约束决策等理论方法。

强化学习通过智能体与环境的持续交互，在试错中学习最优策略，适用于缺乏精确模型或动态变化复杂的自主决策场景。该方法能够根据系统状态实时调整策略，具备较强的自适应、自学习和长期优化能力。

本课题组面向工业与交通 CPS 中的在线决策问题，重点开展分层强化学习、知识驱动强化学习、多智能体强化学习，以及数字孪生交互训练等理论与方法研究。