獲獎項目介紹：基于自然智能的學習與優化理論研究
項目名稱：基于自然智能的學習與優化基礎理論研究
獲獎等次：2013年度國家自然科學二等獎
完 成 人：焦李成，劉 芳，劉 靜，公茂果，張 莉
焦李成教授及其團隊成員
項目介紹：焦李成教授帶領學術團隊，圍繞海量、高維、非結構化信息處理中的學習與優化問題持續開展了20余年的研究工作。
針對智能信息處理領域基礎理論相對薄弱、理論體系有待完善、應用瓶頸問題有待突破的現狀，焦李成教授帶領學術團隊在國家自然科學基金重點項目、國家“863”計劃及國家“973”子項等資助下，對基于免疫協同進化和子波神經計算的智能學習與優化理論及方法進行了深入研究。
研究團隊從建立高效、魯棒的神經網絡模型入手，進一步設計了魯棒、快速的學習方法，并建立了高效、魯棒的優化方法。取得了一批原創性的、填補國際空白的學術成果：
（1）面向高維、非結構化數據的回歸逼近對高效、魯棒的神經網絡模型的迫切需求，建立了神經網絡的非線性動力學模型和連接穩定性判據，解決了神經網絡通用穩定性判別難題；提出了多子波神經網絡模型，獲得了良好的相容性和逼近階，緩解了傳統神經網絡規模隨輸入模式維數的增長呈指數增長的瓶頸問題，較好地解決了子波函數高維奇異性檢測與逼近能力弱的問題。為處理高維、非結構化大數據提供了有效的解決方案。
（2）面向相對“小樣本”和海量大規模數據學習對魯棒、快速學習方法的需求，構造了滿足Mercer條件的尺度核和父子波正交投影核，提出了基于尺度核和父子波正交投影核的支撐向量機，獲得了良好的逼近性能和推廣能力；把Mercer核推廣到經驗映射函數，建立了隱空間支撐向量機和隱空間主分量分析模型，緩解了核函數方法必須受Mercer條件限制的瓶頸難題；為緩解高斯過程計算復雜度缺陷，提出了快速稀疏逼近最小二乘支撐向量機，對大規模、不稀疏的問題，顯著減少了優化尺度并提高了解的稀疏性。為處理相對“小樣本”的大數據提供了快速的學習方法與稀疏的解決方案。
（3）面向大規模、多目標NP-Hard優化對高效、魯棒優化方法的迫切需求，構造了免疫協同進化計算理論框架，建立了個體協同與競爭的智能體網絡信息交互模型，有效改善了進化算法中遺傳操作的盲目性和早熟問題，緩解了進化計算解決大規模問題時收斂速度慢的難題；進一步建立了協同認知免疫動力學計算框架，提出了基于克隆選擇的班德文學習和拉馬克學習兩類個體協同學習模型，實現了對十萬維大規模NP-hard優化問題的高效求解，為解決實際工程中的大規模優化問題提供了高效的方法。
建立的免疫協同進化和子波神經計算理論模型對數值優化問題、欺騙問題、組合優化問題、約束滿足問題等基準測試問題的求解結果，優于國內外文獻報道的結果。在千萬級海量數據分類、萬維以上大規模優化、超大規模集成電路布圖等問題上取得了國內外未見報導的成果，并成功應用于復雜圖像分類和目標識別以及網絡數據分析等問題。
研究成果產生了廣泛的國際學術影響，在主流期刊發表SCI檢索論文84篇，出版專著4部，主要論著SCI他引800余次，他引總次數為6000余次，得到了多位院士和IEEE Fellow在內的國內外學者的積極評價，被評價為具有國際領先水平的研究成果，獲國家發明專利授權10項，獲省部級科學技術獎一等獎3項，促進了我國智能信息處理領域的研究發展。
