导语


在智能交通、智慧物流等场景中，群体智能需要在分布式算力与海量数据环境下高效协作，但也面临目标难评估、信息难汇集、协作难扩展的问题。本次分享先从分布式数据驱动群智出发，介绍多代理协同、按需评估的联邦优化与网络化多智能体协同优化，并探讨用大模型增强感知、理解与策略生成以提升分布式协作能力；随后进一步面向多任务群智优化，说明如何通过演化迁移学习在任务间转移知识，加速收敛并提升整体性能，重点介绍多层次多段迁移、神经网络迁移建模与模糊自适应调频等方法。

图片




内容简介




一、分布式群智协同优化


群体智能是汇聚群体智慧协同求解复杂问题的方法，是《新一代人工智能发展规划》明确的重要发展方向，在智能交通、智慧物流等领域得到广泛应用。随着超算、边缘计算等技术的快速发展，传统群体智能方法面临着个体目标难评估、全局信息难汇集、群体协作难拓展的挑战，本报告以分布式数据驱动的群体智能为主题，介绍如何有效利用数据，激发分布式环境下更高效的群智涌现，通过多代理模型协同驱动、按需评估的分布式联邦优化、网络化多智能体协同优化等技术，提高群体智能算法的鲁棒性、高效性、可扩展性；并探索基于智能体的数据驱动群体智能方法，利用大模型提升个体环境感知、任务理解、策略生成能力和群体分布式协作的能力。


二、多任务群智优化：基于演化迁移学习的算法设计


多任务优化（EMTO）是一种群体智能算法领域新涌现出的一种问题范式，通过利用多个优化任务之间的共享知识来同时解决这些任务。目前，多任务优化已广泛应用与工程设计、机器学习和资源分配等众多实际领域。与传统的单任务算法不同，多任务优化中的一个任务的解决方案可以为相关任务提供信息或改进解决方案，从而加速收敛并提高整体性能。因此，不同任务之间的知识转移对于促进任务的优化至关重要。  而如果实现高效的知识迁移也是多任务优化领域的研究重点。本次读书会从以下三个方面介绍一些最新的知识迁移技术以及对应的多任务算法。包括：

1、多层次多段学习:与传统只在对齐维度上的知识迁移不同，该只是迁移技术瞄准相似或相关的维度上进行KT，同时避免处理异构问题时的维度填充带来的冗余信息。

2、基于神经网络的知识转移：与传统基于个体的表层知识迁移不同，基于神经网络的知识迁移侧重与分析任务的相似性，获得信息预测的转移模型，实现知识的本质迁移。

3、模糊自适应学习:该知识迁移策略首先设计一个从多方面综合评价知识迁移性能的方案，通过不同方面的迁移性能评估，使用模糊逻辑，实现迁移频率的自适应调整。





分享大纲




内容1 分布式数据驱动群体智能：背景与应用场景

  • 内容1.1 群体智能的定位与价值：复杂问题协同求解、交通与物流等应用

  • 内容1.2 新算力环境带来的挑战：目标难评估、信息难汇集、协作难拓展

  • 内容1.3 分布式数据驱动思路：以数据激发更高效的群智涌现


内容2 分布式群体智能关键技术：协同驱动与分布式优化

  • 内容2.1 多代理模型协同驱动：分布式环境下的群体协作机制设计

  • 内容2.2 按需评估的分布式联邦优化：降低评估成本与提升鲁棒性

  • 内容2.3 网络化多智能体协同优化：提升效率、可扩展性与稳定性


内容3 智能体+大模型：增强个体能力与群体协作能力

  • 内容3.1 个体能力增强：环境感知、任务理解与策略生成

  • 内容3.2 群体能力增强：分布式协作与信息协调能力提升

  • 内容3.3 数据驱动范式升级：从传统群体智能到智能体群智


内容4 多任务优化EMTO：问题范式与核心机制

  • 内容4.1 EMTO基本思想：多任务共享知识的联合求解框架

  • 内容4.2 应用领域：工程设计、机器学习与资源分配等场景

  • 内容4.3 性能来源：任务间信息复用带来的加速收敛与整体提升


内容5 知识迁移：多任务优化中的关键科学问题

  • 内容5.1 知识转移的重要性：跨任务信息供给与互促优化

  • 内容5.2 难点与目标：实现高效迁移、避免负迁移与冗余信息

  • 内容5.3 方法线索：迁移对象、迁移方式与迁移频率的系统设计


内容6 三类知识迁移技术与对应多任务算法

  • 内容6.1 多层次多段学习：面向相关维度的迁移与异构冗余抑制

  • 内容6.2 基于神经网络的知识转移：任务相似性建模与本质迁移模型

  • 内容6.3 模糊自适应学习：多方面迁移评估与迁移频率自适应调整





核心概念




  • 分布式数据驱动群体智能 Distributed Data-driven Swarm Intelligence

  • 多代理协同驱动 Multi-agent Cooperative Driving

  • 分布式联邦优化 Federated Optimization

  • 网络化多智能体协同优化 Networked Multi-agent Cooperative Optimization

  • 多任务优化EMTO Evolutionary Multi-Task Optimization

  • 知识迁移 Knowledge Transfer

  • 基于神经网络的知识转移 Neural Network-based Knowledge Transfer

  • 模糊自适应学习 Fuzzy Adaptive Learning





主讲人介绍




主讲人：魏凤凤，华南理工大学计算机科学与工程学院助理教授，硕士生导师，主要研究方向是群体智能、进化计算、分布式优化、数据驱动优化、智能体与多智能体系统，已发表国际期刊和国际会议论文50余篇，其中IEEE Trans.长文15篇；主持国家自然科学基金青年科学基金项目、中国博士后科学基金面上项目、广东省自然科学基金面上项目等；获广东省人工智能产业协会科学技术奖自然科学奖一等奖、第四届国际分布式人工智能会议最佳论文、中国仿真学会智能优化与调度专委优博、ACM广州分会优博；现任中国计算机学会协同计算专业委员会委员。


主讲人：王子佳，男，博士，广州大学计算机科学与网络工程学院副教授，硕士生导师。主要研究方向：计算智能、群体智能、机器学习。2015年本科毕业于中山大学自动化系，获工学学士学位，2020年直博毕业于中山大学计算机系，获工学博士学位；毕业后至2021年7月在腾讯科技（深圳）有限公司担任高级算法研究员；2021年8月以百人计划青年学者身份进入广州大学任副教授，现在是学院青年干部储备人才。2023-2024年度广州大学“最受学生欢迎的教师”。目前主持国家自然科学基金青年基金项目一项、广东省自然科学基金面上项目三项、广州市基础研究计划市校（院）联合资助项目一项、广州市基础与应用基础研究项目一项。累计发表论文40余篇，其中中科院JCR一区和IEEE Transactions论文20余篇，包括8篇IEEE Transactions on Cybernetics（IEEE TCYB，IF=10.5）、4篇IEEE Transactions on Evolutionary Computation（IEEE TEVC，IF=12.0），5篇入选ESI高被引论文，4篇论文被列入ESI研究前沿。现已荣获吴文俊人工智能优秀博士学位论文奖（全国9人）、ACM广州分会新星奖（广东省3人）、ACM广州分会优秀博士学位论文奖（广东省2人）、广东省计算机科学青年学术秀一等奖（广东省3人）。担任IEEETCYB、IEEE TEVC、IEEE TNNLS、IEEE TSMC、IEEE TIFS、IEEE TETCI等多本顶级刊物的审稿人。现任IEEE高级会员、CCF高级会员、中国计算机学会协同计算专业委员会委员、中国自动化学会粒计算及其应用专业委员会委员、中国仿真学会智能仿真优化与调度专业委员会委员、中国图学学会图学大数据专业委员会委员、广东省计算机学会大数据专业委员会委员。受邀出任亚洲人工智能技术大会（ACAIT 2023/2024/2025）和国际机器智能与应用大会（MiTA2024）的Session Chair，担任国际期刊《Complex System Modeling and Simulation》、《CAAI Transactions on Intelligence Technology》的青年编委，并荣获国际期刊《Human-Centric Intelligent Systems》的杰出审稿人奖。





参考文献




  1. Feng-Feng Wei, Wei-Neng Chen, Tian-Fang Zhao, Kay Chen Tan, and Jun Zhang, “A Survey on Distributed Evolutionary Computation”, IEEE Computational Intelligence Magazine, accepted, 2025.

  2. Feng-Feng Wei, Wei-Neng Chen, and Jun Zhang, “AIEA: An Asynchronous Influence-Based Evolutionary Algorithm for Expensive Many-Objective Optimization”, IEEE Transactions on Cybernetics, vol. 55, no. 2, pp. 786-799, 2025.

  3. Feng-Feng Wei, Wei-Neng Chen, Xiao-Qi Guo, Bowen Zhao, Sang-Woon Jeon, and Jun Zhang, “CrowdEC: Crowdsourcing-based Evolutionary Computation for Distributed Optimization”, IEEE Transactions on Services Computing, vol. 17, no. 6, pp. 3286-3299, 2024.

  4. Z. -F. Xue, Z. -J. Wang*, Y. Jiang, Z. -H. Zhan, S. Kwong and J. Zhang, “Multi-Level and Multi-Segment Learning Multitask Optimization via a Niching Method,” in IEEE Transactions on Evolutionary Computation, doi: 10.1109/TEVC.2024.3511941.

  5. Z. -F. Xue, Z. -J. Wang*, Z. -H. Zhan, S. Kwong and J. Zhang, “Neural Network-Based Knowledge Transfer for Multitask Optimization,” in IEEE Transactions on Cybernetics, vol. 54, no. 12, pp. 7541-7554, Dec. 2024.

  6. C. -L. Wang, Z. -J. Wang*, Z. -F. Xue, Z. -H. Zhan, S. Kwong and J. Zhang, “Fuzzy Adaptive Multitask Optimization,” in IEEE Transactions on Cybernetics, doi: 10.1109/TCYB.2025.3614438.





报名读书会：

「群体智能：从自然涌现到人机共创」




集智俱乐部联合北京师范大学系统科学学院韩战钢教授、暨南大学计算传播研究中心赵甜芳副教授、新疆大学物理科学与技术学院玉素甫·艾比布拉副教授等学者，共同发起本次「群体智能」读书会，尝试用一条普适的线索，把自然界的鸟群蚁群、人类社会的集群行为、以及人工智能时代的多智能体与群智优化，放在同一张地图上重新理解。读书会自2026年1月24日开始，安排在每周六下午 14:00–16:00，欢迎所有对群体智能如何涌现、如何被理解、以及如何被设计，感兴趣的朋友一起加入：带着问题来，带着更有趣的问题去。


视频号直播预约：

报名方式：

第一步：微信扫码填写报名信息。

（扫码报名）

第二步：填写信息后，付费报名。如需用支付宝支付，请在PC端进入读书会页面报名支付：

第三步：添加运营助理微信，拉入对应主题的读书会社区（微信群）。

PS：为确保专业性和讨论的聚焦，本读书会谢绝脱离读书会主题和群体智能相关问题的空泛的哲学和思辨式讨论；如果出现讨论内容不符合要求、经提醒无效者，会被移除群聊并对未参与部分退费。


加入社区后可获得的资源

完整权限包括：线上问答、录播回看、资料共享、社群交流、信息同步、共创任务获取积分等。


推荐阅读

从鸟群到大脑：因果涌现能解释什么？ | 科普专访

细胞世界的“高速公路”：揭秘微小纹路如何让混乱的细胞群自发排队，走向有序公路

蚁迹寻踪——20年前的模拟程序重新登上集智百科了！丨集智百科

强化学习能否提高群体稳定合作的可能性？

空域的涌现：集群 | 涌现动力学第六课

萤火虫的同步闪烁：随机中怎样涌现出秩序？

人潮汹涌化“群旋”？科学家揭秘大型人群的“集群涡旋”之谜

蚂蚁组团更聪明？人类团队有时反而“拖后腿”！

复杂网络上的自组织与集体行为：从扩散、相变到博弈 | 读书会启动

羊的物理学——从相变到集体运动

PRE 速递：水母的群体相干机制


点击“阅读原文”，报名读书会

内容中包含的图片若涉及版权问题，请及时与我们联系删除