[00938329]高性能智能优化计算理论、关键技术与应用

该项目属于智能信息处理科学领域。随着认知科学与人工智能的发展，研究具有认知机理的智能信息处理理论与方法，成为非结构化海量信息处理研究的前沿。在国家"863"计划、国家自然科学基金、高等学校博士学科点专项科研基金的资助下，本项目历经7年，针对信息技术领域的大规模复杂NP-Hard优化、海量数据挖掘等关键问题，对自然启发的高性能智能优化计算理论、关键技术与应用进行了深入研究。主要发现点和发明点为：(1)在提出人工免疫系统的四个本征分量的基础上，建立了基于四元组的免疫动力学计算框架，针对大规模优化和多目标优化，设计了相应的高性能免疫算法，能够在线性时间复杂度内求解十万维以上的大规模优化问题和多达九个复杂目标的多目标优化问题；(2)提出了基于克隆选择的班德文学习和拉马克学习两类学习模型，建立了协同认知进化计算框架，为在自然计算中实现个体的非达尔文进化学习提供了理论支持，揭示了进化过程中个体协同与竞争共存的信息交互机制，较好地克服了进化计算解决大规模问题时收敛速度慢的难题；(3)针对复杂图像理解中存在的高维、海量和相对“小样本”瓶颈难题，发明了一系列基于免疫动力学计算与协同认知进化计算模型的图像分割方法，突破了遥感影像分割与变化检测和医学影像分割与目标识别等关键技术，研发了基于免疫动力学计算的海量遥感影像变化检测系统，获国家发明专利授权12项；(4)针对海量网络信息处理与资源调度中存在的计算复杂度和全局收敛性难题，发明了一系列基于免疫动力学计算与协同认知进化计算模型的网络信息处理与优化方法，在网络入侵检测、网络组播路由、通信网络V-BLAST系统检测等问题上取得了具有自主知识产权的研究成果，研发了基于免疫计算的网络入侵检测系统，获国家发明专利授权4项。本项目建立的免疫动力学计算与协同认知进化计算模型，缓解了目前进化计算求解大规模复杂问题时，存在的收敛速度慢和易陷入局部最优的应用瓶颈问题，对数值优化、欺骗问题、组合优化问题、约束满足问题等基准测试问题的求解结果优于国内外文献报道的结果，并成功应用于复杂图像分割与变化检测、网络信息处理与调度等领域。本项目研究成果为智能信息处理中的学习与优化提供了理论基础和技术支持。