根据《教育部办公厅关于提名2025年度教育部科学研究优秀成果奖(自然科学和工程技术)的通知》要求，现就我校拟合作的项目进行公示，公示期为2025年3月19日-3月25日。如有异议，请在公示期内以书面形式实名向科研处成果管理科反映。
联系人：0471-4393151
邮箱：nsdkjccgk@163.com
科研处
2025年3月19日
奖励类别 | 自然科学奖 |
项目名称 | 智能优化与机器学习的高效协同理论及方法 |
提名单位（提名专家） | 西安电子科技大学 |
主要完成人情况 |
排名 | 姓名 | 技术 职称 | 工作单位 | 完成单位 | 对本项目重要科学发现的贡献 |
1 | 公茂果 | 教授 | 内蒙古师范大学 | 西安电子科技大学 | 该完成人为项目总负责人，设计了项目的研究内容和研究方案，对提名书《重要科学发现》中所列三个发现都做出了创造性贡献，负责建立鲁棒的协作学习与优化模型，提出了高效的大规模优化和聚类分析方法，并解决了多时相影像解译中的关键学习与优化难题，是5篇代表性论著的完成人（代表性论文（专著）目录1、2、3、4、5），是其中4篇代表性论著的第一作者，是本项目任务来源中3个课题的负责人，在该项目研究中的工作量占比在90%以上。 |
2 | 武越 | 教授 | 西安电子科技大学 | 西安电子科技大学 | 该完成人对提名书《重要科学发现》中所列的发现点1做出了创造性贡献，揭示了利用局部统计信息指导全局优化是提高演化计算寻优能力的关键，证明了个体学习和群体学习是提高演化优化收敛速度的充分条件，是1篇代表性论著的完成人（代表性论文（专著）目录4），在该项目研究中的工作量占比在50％以上。 |
3 | 李豪 | 副教授 | 西安电子科技大学 | 西安电子科技大学 | 该完成人对提名书《重要科学发现》中所列的发现点3做出了创造性贡献，建立了面向多时相影像协同解译的多目标/任务优化模型，揭示了多时相影像在高维表征空间的特征一致性机理，是3篇代表性论著的完成人（代表性论文（专著）目录1、2、3），在该项目研究中的工作量占在50％以上。 |
4 | 苗启广 | 教授 | 西安电子科技大学 | 西安电子科技大学 | 该完成人对提名书《重要科学发现》中所列的发现点1和2做出了创造性贡献，建立了基于神经网络的协同学习与优化模型，提出了神经网络协同学习方法，解决了异质数据特征对齐与模型全局稳定性难题，是1篇代表性论著的完成人（代表性论文（专著）目录5），在该项目研究中的工作量占比在50％以上。 |
主要完成单位 |
排名 | 单位名称 |
1 | 西安电子科技大学 |
代表性论文（专著）目录（不超过5篇） |
序号 | 论文（专著） 名称/刊名/作者 | 年卷页码（xx年xx卷xx页） | 发表（出版）时间（年月日） | 通讯作者（含共同） | 第一作者（含共同） | 国内作者 | 他引总次数 | 检索数据库 | 论文署名单位是否包含国外单位 |
1 | A multiobjective sparse feature learning model for deep neural networks | 2015年26卷3263-3277页 | 2015年8月31日 | 公茂果 | 公茂果 | 公茂果，刘嘉，李豪，蔡清，苏临之 | 174 | web of science | 否 |
2 | Evolutionary multitasking with dynamic resource allocating strategy | 2019年23卷858-869页 | 2019年1月17日 | 公茂果 | 公茂果 | 公茂果，唐泽栋，李豪，张军 | 130 | web of science | 否 |
3 | A Multiobjective Cooperative Coevolutionary Algorithm for Hyperspectral Sparse Unmixing | 2017年21卷234-248页 | 2017年5月3日 | 公茂果 | 公茂果 | 公茂果，李豪，罗恩湖，刘静，刘嘉 | 82 | web of science | 否 |
4 | Commonality autoencoder: Learning common features for change detection from heterogeneous images | 2022年33卷4257-42 70页 | 2021年2月18日 | 公茂果 | 武越 | 武越，李嘉恒，苑咏哲，秦凯，苗启广，公茂果 | 144 | web of science | 是 |
5 | Coupled dictionary learning for change detection from multisource data | 2016年54卷7077-7091页 | 2016年8月12日 | 公茂果 | 公茂果 | 公茂果，张普照，苏临之，刘嘉 | 102 | web of science | 否 |
项目简介 |
面向高效处理海量、高维、异质数据的迫切需求，以演化计算和神经网络为代表的计算智能方法成为人工智能研究前沿。本成果针对计算智能中全局优化与局部学习协同、知识高效获取与利用等难题，在智能优化与机器学习的高效协同理论及方法上取得关键突破，并解决了海量、多时相影像协同解译中的关键学习与优化问题。主要科学发现如下： （1）演化计算和神经网络的协同学习与优化理论：分析模拟了演化计算中个体学习与群体学习的多尺度竞争与协同机制，揭示了利用局部统计信息指导全局优化是提高演化计算寻优能力的关键，证明了个体学习和群体学习是提高演化优化收敛速度的充分条件，建立了基于演化计算和神经网络的协同学习与优化理论，通过个体和群体的协同学习，高效获取知识指导搜索过程，解决了演化计算中全局与局部搜索的自适应平衡难题，证明了协同学习与优化的神经网络在噪声环境下具有自适应泛化能力。 （2）面向海量、高维、异质数据的高效协同学习与优化方法：在协同学习与优化理论框架下，提出了基于知识迁移的多目标/任务协同演化优化方法，实现了对百万维非凸优化问题的高效求解；提出了基于在线动态资源分配和协同学习的计划多任务优化算法，突破了传统多任务优化在海量、复杂任务中容易陷入局部最优和资源分配不合理瓶颈；提出了神经网络协同学习方法，解决了异质数据特征对齐与模型全局稳定性难题。 （3）多时相影像协同解译模型及学习优化方法：分析了多时相影像由于时空差异导致的特征混叠特性，建立了面向多时相影像协同解译的多目标/任务优化模型，提出了基于协同学习与优化的多尺度域融合特征学习方法，揭示了多时相影像在高维表征空间的特征一致性机理，解决了目标相关统计项的估计与精准高效协同解译难题。 本成果5篇代表性论文全部发表在高水平学术期刊上，得到多位IEEE Fellow在内的国内外同行的正面引用。第一完成人为国家级领军人才，因在协同学习与优化的工作入选IEEE Fellow，担任协同智能系统教育部重点实验室主任、中国人工智能学会青工委主任等。第二完成人获得吴文俊人工智能优秀青年奖。第三完成人获得陕西省优秀博士学位论文奖。第四完成人先后担任CCF YOCSEF主席，CCF西安主席等。 基于上述科学发现和理论成果，与中国资源卫星应用中心、华为技术有限公司、阿里达摩院、陕西黄河集团有限公司等科研机构及企业单位开展合作，在军事智能提升、国土安全监测、公共安全监测等领域开展了应用示范，取得了显著效益。其中包含多时相影像协同解译模型、场景智能识别分割与优化技术的智能图纸解析系统、深度学习模型简化算法、目标协同感知算法等应用成果，推动了遥感影像处理精度与效率的全面提升，产生了亿级的经济效益。 |
