活动时间：2025年4月19日（周六）上午8:50-12:00（报告1-4）

  2025年4月20日（周日）上午8:30-10:00（报告5-7）

活动地点：秦皇岛首旅京伦酒店B2层会议一厅

2025年4月18-21日，中国运筹学会智能计算分会第十九届年会暨智能优化与新质生产力前沿论坛在河北省秦皇岛市隆重启幕。本次会议由中国运筹学会智能计算分会主办，燕山大学理学院承办，活动期间将同步开展燕山大学理学院“数理时空—高端学术研讨会”暨“数工交叉学科论坛”学术交流会。高端学术研讨会具体报告安排如下：

1. 报告题目：不确定理论

报告专家：刘宝碇，于1986年获得南开大学学士学位，1989年获得中国科学院硕士学位，1993年获得中国科学院博士学位，1996年聘为清华大学副教授，1998年晋升为教授。他的主要学术贡献是开创了研究不确定现象的公理化数学分支“不确定理论”，并派生出不确定统计、不确定规划、不确定逻辑、不确定过程、不确定分析、不确定微分方程、不确定金融等领域。代表作是德国施普林格出版的《Uncertainty Theory》。他的著作已被译成俄文、日文和波斯文。

报告摘要：发生的频率已知，则称为随机，否则称为不确定。掷硬币正面朝上的频率已知，因而是随机的。坠落的蛋糕奶油那一面着地的频率未知，因而是不确定的。为了研究这些现象，存在两个数学系统，一个是概率论，另一个是不确定理论。概率论是研究随机现象的公理化数学系统，而不确定理论是研究不确定现象的公理化数学系统。为了在实践中应用它们，首先必须生成分布函数。如果分布函数接近未来频率，则应使用概率论，否则不得不使用不确定理论。大量实证研究表明，现实世界的频率远不稳定。这意味着即使有充足的样本，我们所得到的分布函数也不可能接近未来频率。也就是说，在实践中我们应该使用不确定理论，而不是概率论。这就促使我们学习、研究和应用不确定理论。

2. 报告题目：Recent Multiobjective Evolutionary Algorithms with Reinforcement Learning for Manufacturing Scheduling

报告专家：Mitsuo Gen（玄光男）, received his PhD in Engineering from Kogakuin University, PhD degree in Informatics from Kyoto University and is now Visiting Prof. at TUS. He was faculties at Ashikaga Institute of Tech. for 1974-2003, at Waseda Univ. for 2003-2010, and at Senior Research Scientist at FLSI for 2004-2025.3. He was visiting faculties at Univ. of California at Berkeley for 1999.8-2000.3, Texas A&M Univ. for 2000.1-3 & 2000.8-9, Hanyang Univ. in S. Korea for 2010-2012, and National Tsing Hua Univ. in Taiwan for 2012-2014. His research field is Evolutionary Computation, Manufacturing Scheduling, and SCM Systems. He is a coauthor of the following books: Genetic Algorithms and Engineering Design, 1997 and Genetic Algorithms and Engineering Optimization, 2000, John Wiley & Sons, New York; Network Models and Optimization: Multiobjective Genetic Algorithm Approach, 2008 and Introduction to Evolutionary Algorithms, 2010, Springer, London.

报告摘要：In the real-world of manufacturing scheduling systems in Industry 4.0/5.0, there are many combinatorial optimization problems (COPs) imposing on more complex structure, nonlinear constraints, multiple objectives and uncertainty. The COPs make the problem intractable to the traditional approaches because of NP-hard ones. As one of the most typical scheduling problems, Flexible Jobshop Scheduling Problem (FJSP) is a generalization of the JSP and parallel machine model which provides closer real manufacturing and logistics scheduling systems. In order to develop an efficient algorithm whose reasonable computational time for NP-hard Multiobjective COP (MoCOP), we have to consider 1) quality of solution, 2) computational time and 3) effectiveness of the nondominated solutions for the MoCOP models. As the most typical metaheuristics, Genetic Algorithm (GA) is a population-based Evolutionary Algorithms such as Memetic Algorithm (MA), Particle Swarm Optimization (PSO), and Differential Evolution (DE). Metaheuristics is a very powerful and broadly applicable stochastic search and optimization technique which is effective for solving various NP hard problems. However, in order to expand traditional EA in the quality, computational time and effectiveness, it is better to combine it with Reinforcement Learning (RL) algorithm for enhancing hybrid metaheuristics with RL. Hybridization of metaheuristics with Machine Learning (ML) techniques is an emerging research field in the IE/OR community. In this talk, we will firstly introduce multiobjective COP models such as Flexible Job-shop Scheduling problem (FJSP) which is a very close to real-world problems and TFT-LCD (i.e. panel device) manufacturing scheduling by multiobjective HGA in Industry 4.0. Secondly, Self-Learning GA (SLGA) with Reinforcement Learning (Chen, Yang, Li, & Wang, C&IE 2020) will be introduced and hybridizing MoMA & PSO with Q-Learning for Distributed Flowshop Scheduling problem (DFSP) for enhancing MoEA with RL algorithm.

3. 报告题目：制造链+平台双模式平台生态系统的价值共创研究

报告专家：李勇建，南开大学二级教授、博士生导师，人文社会科学研究部常务副部长。国家杰出青年科学基金获得者，中国青年科技奖获得者，并入选教育部新世纪优秀人才支持计划、天津市“131”创新型人才培养工程第一层次、天津市“131”创新型人才“供应链管理”团队负责人、首席科学家。李教授的研究领域包括物流与供应链管理、平台经济与运营管理、系统优化与决策分析等。李教授在国内外知名管理类学术期刊发表论文140余篇，其中 SCI/SSCI 收录论文 100 余篇，出版学术专著5部，1部专著入选国家哲学社会科学成果文库。李教授作为首席专家主持国家社科基金重大项目、国家自然科学基金重大研究计划和重点项目、教育部人文社科重点研究基地重大项目等项目多项。李教授兼任中国管理科学与工程学会常务理事、中国系统工程学会常务理事、管理科学与工程学会供应链与运营管理分会副主任等学会职务；SUSOC期刊主编，MSCRA、NBRI副主编，以及系统工程理论与实践、控制与决策、中国管理科学、运筹与管理、管理工程学报等编委。

报告摘要：制造业是创新驱动经济高质量发展的重要动力，制造链是制造业的主要传统运营模式。数字技术驱动下的平台商业模式在网络效应、价值获取等方面具有巨大优势。制造链与平台的融合为制造业的平台化转型提供了崭新的发展机遇。本报告首先提出“制造链+平台”双模式概念及理论框架。然后针对我们近期研究的一个相关问题--硬件生态系统价值共创策略研究进行汇报。针对硬件平台企业是否采取合作开发策略？硬件平台企业应该与谁进行合作开发？以及产品关系如何影响硬件平台的合作开发策略？三个现实问题进行探讨，得到一些相关的管理启示结论。

4. 报告题目：传感数据融合建模：挑战、方法与创新

报告专家：张玺，北京大学工学院工业工程与管理系长聘副教授，教育部青年长江学者。研究领域主要聚焦复杂工程系统的实时监测、诊断、优化和运维管理。目前已在制造领域、医疗健康领域、食品储藏与加工领域等多个领域取得相关研究成果，在质量与可靠性工程领域的知名期刊如IISE Tran、JQT、IEEE T-ASE等发表多篇学术论文。曾数次获得INFORMS、IISE、IEEE RAS、SICE等海内外知名学会最佳论文奖。

报告摘要：传感数据融合建模在工业工程领域扮演着至关重要的角色。在数据治理与融合领域，如何有效地整合传感数据的独特属性与数据融合建模方法，已经成为一个亟待解决的关键问题。本汇报将从工业工程的视角探讨传感数据融合建模面临的科学挑战，并提出相应的解决方案。

5. 报告题目：面向大模型智能计算集群的服务可靠性优化

报告专家：李彦夫，清华大学质量与可靠性研究院院长、清华大学工业工程系长聘教授。 2011-2016年任教于法国巴黎中央理工与高等电力学院（今巴黎萨克雷大学）。 研究领域主要包括系统可靠性、故障预测与健康管理(PHM)、维修决策方法及其在各类工业/工程系统中的应用。 已发表100余篇同行评审的国际期刊论文，H指数=41。 代表性论文发表在《IEEE Transactions》系列、UTD-24系列、 《IISE Transactions》、《Reliability Engineering & System Safety》等国际著名期刊。 2019-2023年连续入选爱斯维尔中国高被引学者榜单，2021-2024连续入选美国斯坦福大学发布的全球前2%顶尖科学家年度影响力榜单、2024年入选全球前2%顶尖科学家终身科学影响力榜单。 授权国家专利17项、国际专利1项，制定IEEE标准1项。主持国家自然科学基金重点项目、国家重点研发计划课题以及市场监管总局委托项目。与华为、南方电网等头部企业长期合作，多项研究成果企业应用转化。获得日内瓦国际发明展金奖、中国运筹学会应用奖、省部级科技进步二等奖项，以及多项国家学会和国际学会论文奖。服务质量强国战略，开展质量政策研究，多项资政报告成果被市场监管总局、全国人大财经委等部门采纳。担任工业信息顶级期刊《IEEE Transactions on Industrial Informatics》、可靠性旗舰期刊《Reliability Engineering & Systems Safety》和《IEEE Transactions on Reliability》（2017-2024）副主编，IEEE技术与工程管理学会北京分会主席、中国系统工程学会系统可靠性专委会副主任委员、中国质量奖评审专家。

报告摘要：随着大模型的快速发展，其训练所需的计算资源和训练数据急剧增加。在此背景下，确保大模型能够在计算中心高效可靠的完成训练过程，对于节约训练成本，迅速完成训练至关重要。当前，计算资源和训练数据在大模型计算集群的调度任务主要通过并行策略实现，并行策略对大模型计算集群的可靠性有着直接的影响。针对目前缺少大模型计算集群可靠性评估指标的问题，本文调研了现有数据中心的可靠性评估方法，结合大模型计算集群的训练特点，提出了大模型训练可靠性的评估指标。并分析了现有的常用并行策略，将流水线模型并行和数据并行的结合，提出了混合整数规划模型。最后，本文将可靠性指标和混合整数规划模型相结合，并通过数值实验检验了模型的可用性和高效性。

6. 报告题目：动态拼车运营优化研究

报告专家：王晓蕾，同济大学经济与管理学院教授。2008年本科毕业于中国科技大学（获郭沫若奖学金），2012年博士毕业于香港科技大学（获HKUST SENG PhD Research Excellence Award）。一直致力于城市交通系统优化领域的研究，主要研究兴趣：共享出行服务运营优化以及共享出行下的城市交通管理。发表SCI/SSCI论文30余篇，其中16篇发表于交通、运筹领域顶刊INFORMS Journal on Computing、Transportation Research Part B、Transportation Science；主持国家自然科学基金重点、优青、面上和青年项目，创新群体“综合运输系统运营管理”项目骨干成员，2024、2025年获CCF-滴滴盖亚青年学者基金资助；世界交通运输大会共享与预约出行技术委员会主席，管理科学与工程学会交通运输管理分会委员。

报告摘要：作为共享出行的代表，动态拼车在节约出行里程、减少交通碳排放方面有巨大的潜力，但服务的实时性和需求的时空不确定性给动态拼车的运营带来不小的挑战。围绕动态拼车服务运营优化，本次报告将介绍我们团队在动态拼车订单拼车成功率、期望绕行里程和期望共乘里程预测、前瞻性派单策略设计和全局定价优化三个方面的工作。

7. 报告题目：公共交通枢纽的共乘拼车调度优化：融合图神经网络的列生成算法

报告专家：金建钢，上海交通大学船舶海洋与建筑工程学院教授、博士生导师。分别于清华大学和新加坡国立大学获得学士和博士学位。专注于大规模组合优化、整数规划和网络优化等运筹优化方法在交通和物流系统中的应用研究。在Transportation Science, Transportation Research Part A/B/C/E等期刊上发表50余篇SCI/SSCI期刊论文。主持4项国家自然科学基金项目以及中远海运集团、中国船舶集团708研究所等企业实践项目。入选交通部交通运输青年科技英才、上海市启明星计划、上海市晨光计划。担任国际期刊Computers & Industrial Engineering领域编辑、中国管理科学与工程学会交通运输管理分会委员会委员。

报告摘要：多式联运效率是高速铁路、最后一公里运输等多式联运系统发展成功的关键。在机场、高铁站等大型公共交通枢纽，当乘客下飞机、火车转乘出租车或网约车时，往往会等待很长时间。另一方面，出租车和网约车司机在拥挤的接送点接送乘客的时间很长。鉴于换乘效率的挑战，交通枢纽运营商(如机场、火车站)迫切需要优化换乘系统以最大限度地提高航班、高铁和最后一英里运输之间的换乘效率。本文提出了公共交通枢纽最后一英里交通系统的共乘拼车方案优化方法，以在保证最后一公里交通有效衔接的同时，最优化车辆总运行成本和换乘连接成本。本研究建立了基于圆弧的混合整数线性规划模型和集合划分模型，并提出了精确及近似两种求解算法: (1) 分支&价格精确算法：该算法可以在合理的计算时间内求解实际规模的实例到最优; (2) 融合图神经网络的列生成启发式方法：学习历史信息预测高质量的拼车路径候选集，并利用列生成方法产生高质量的近似最优解，无需实现全面的分支定界搜索。基于随机生成测试实例的计算实验验证了该求解方法的有效性和高效性。基于实际数据的分析也证明了拼车是缓解公共交通枢纽接送区拥挤、提高换乘效率的有效措施。