2018年8月9日至2018年8月10日, 优化理论及其应用研讨会在香港中文大学(深圳)道远楼理事会议室举行

2018年8月9日至2018年8月10日, 优化理论及其应用研讨会在香港中文大学(深圳)道远楼理事会议室举行,本次研讨会共有9位主讲人,分别是香港中文大学(深圳)的张寅教授,南方科技大学的何炳生教授,香港城市大学李端教授,中山大学凌青教授,中国科学院刘歆博士,加利福尼亚大学戴维斯分校的马士谦教授,香港中文大学的苏文藻教授,南京大学杨俊峰教授,香港理工大学杨晓琪教授。此次研讨会由香港中文大学(深圳)数据与运筹科学研究院举办,由共同院长张寅教授,讲席教授张树中教授以及学术副校长罗智泉教授共同主持,广大海内外高校相关学科教职人员及学生参加了此次研讨会。

演讲教授与嘉宾的合照

8月9日下午1点50分,研讨会正式开始,我院张树中教授做了开幕演讲,他代表香港中文大学(深圳)数据与运筹科学研究院向所有与会人员表示热烈欢迎。他还向大家介绍了数据与运筹科学研究院的相关教职人员,并简要阐述了此次研讨会的日程安排和讨论主题。本次研讨会共安排了九场报告, 聚焦最优化、大数据、运筹学和机器学习等国际前沿问题及实际应用。

张树中教授的开场演讲

张寅教授,香港中文大学(深圳)

研讨会第一场报告由我院张寅教授主讲,名为《类似ADMM的方法約束优化的局部收敛性》。在报告中他提到一类应用于特殊可分离凸优化问题,理论上很容易理解的经典交替方向乘子(ADMM)算法。在实践中,它已被扩展到解决更多的一般问题,这些问题可以是不可分离的和/或非凸的,尽管这类算法在理论上还缺乏合理性研究,但仍得到了许多经验上的成功。张教授还详细阐述了一类类似ADMM的方法的一般局部收敛理论算法,用于求解等式约束平滑优化問題。该理论非常普遍,既不需要分离也不需要全局凸性。

 

在张寅教授的报告结束之后, 马士谦教授给我们描述了线性约束复合凸优化问题, 其目标是平滑函数和可能的非光滑函数之和。 他提出用一个不精确的增广拉格朗日(IAL)框架来解决这个问题并给出了收敛性结果和初步的数值结果, 以显示所提出的IAL框架的效率以及非遍历收敛和收敛速度分析的重要性。

马士谦教授,加州大学戴维斯分校

接下来是来自香港中文大学的苏文藻教授的分享, 他的主题是《鲁棒波束成形的多播在认知无线电网络应用:半定松弛和近似分析》。他提出了一类鲁棒二次优化问题的第一个近似保证。而建立这种保证的关键是来自对epsilon-net技术的功能分析,它允许我们处理问题中的半无穷鲁棒二次约束。

苏文藻教授,香港中文大学

在短暂的下午茶时间之后, 我们请李端教授作题为《风险和潜力:从均方差诱导的效用函数的视角》的报告。 他在报告中提出在模型中引入一系列均值 - 方差诱导效用函数,使均值 - 方差框架可以普及,以此得到对目标的直观解释和更好的应用易于计算的最优投资策略。 在这个新框架下计算出一个最优交易策略的半解析解,并提供数值例子,推出降低潜在厌恶能够导致更好的投资表现。

香港城市大学协理副校长李端教授

来自中国科学院的刘歆博士为我们带来了第一天下午的最后一场演讲,他做的是主题为《一个用于聚类的连续优化模型》的报告。报告中研究了根据对象之间的某种相似性度将一组对象聚类成组的问题。这是数据处理中的基本问题之一,涉及从计算机科学到社会分析的各种应用。 且就这个问题提出了一个新的连续模型,通过几个数值例子演示了模型和算法。

刘歆博士,中科院

第二天又有四位教授给我们带来高水平的学术报告。 第一位上台的教授是来自香港理工大学的杨晓琪教授,他的题目是《关于局部Lipcshitz和正则函数的误差界参数》。 他在报告中提到通过外部限制子微分集来研究局部Lipschitz和常规函数的局部误差约束模。

杨晓琪教授,香港科技大学

接下来, 杨俊锋教授在报告中讲到渐进式套期保值算法(PHA)。 渐进式套期保值算法(PHA)最初由Rockafellar和Wets于1991年提出,用于随机凸优化。最近,Rockafellar和Sun解决了随机变分不等式问题。众所周知,PHA是近端点算法的应用。在杨教授的研究里,建立了与乘子交替方向法和Douglas-Rachford算子分裂法的联系。通过这次报告加深了我们对PHA的理解。

杨俊锋教授,南京大学

之后何炳生教授发表了题为《用变分不等式框架构造可分凸优化的分裂方法》的报告。 首先,何教授为我们讲解了变分不等式与凸优化。之后, 他进一步说明了线性约束凸优化问题可以重新表述为单调变分不等式, 而以这样的形式研究优化方法通常更为方便。 最后何炳教授强调在实际问题我们应该根据实际问题中子问题的难度来应用该框架构造合适的分裂方法。

何炳生教授,南方科技大学

本次研讨会的最后一场报告由来自中山大学的凌青教授给出,他在报告中提出了一种通信高效的分散算法,称为通信审查ADMM(COCOA),以解決在网络上定义的凸一致优化問題, 类似于流行的分散共识优化算法。 ASMM (COCOA) 通过适当设计的审查功能來评估差异的充分性。虽然这种审查策略可能会减慢优化过程,但它有效地降低了通信成本, 因此非常适用于网络通信。

凌青教授,中山大学

报告结束后,由张寅教授进行了总结陈词,至此,两日研讨会完美落幕。会议期间,教授们给出了大量的应用实例举例并详细的讲解了各自的算法,使大家对报告的理解更为透彻。会后,各位参会者与主讲人进行了精彩深刻的讨论,现场反应热烈,气氛活跃, 每位参会者都对对各自的研究领域有了新的视角和见解。参会者同时就一些优化和大数据的问题向各位教授请教,教授们都一一解答,大家一致认为在研讨会中受益匪浅,学到了许多最新高效的优化算法。此次研讨会加强了学术交流,进一步拓宽了我校师生的学术视野,营造了良好的学术氛围且提供了学术交流的平台。

更多信息请关注香港中文大学(深圳)及数据运筹院官方微信

    

       CUHK(SZ)     

 

      

 iDDA