生物、機器與社會的群體智能——11所高校聯合發起的群體智能讀書會

導語

如果你對這些反直覺但極有用的現象感興趣——從蟻群搭橋、魚群同步、到無人機集群表演、集群機器人協作、群智優化與多智能體系統、網絡輿論建模研究等——歡迎加入「群體智能」讀書會：我們用動物—人類—機器三條線，希望把群體智能的涌現這件事講清楚、講透徹；用物理學、數理邏輯、多主體建模、計算傳播等多學科視角，去追問同一個核心：集群何以比個體更聰明？群體智能又在何時涌現？

集智俱樂部聯合北京師范大學系統科學學院韓戰鋼教授、暨南大學計算傳播研究中心趙甜芳副教授、新疆大學物理科學與技術學院玉素甫·艾比布拉副教授等來自11所高校的學者，共同發起本次「群體智能」讀書會，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優化，放在同一張地圖上重新理解。讀書會自2026年1月17日開始，安排在每周六下午 14:00–16:00，歡迎所有對群體智能如何涌現、如何被理解、以及如何被設計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

螞蟻群體能把鋼琴搬運幾何難題解決掉，而人類會出現三個和尚沒水喝的尷尬處境——這不是搞笑段子，而是一篇發表在PNAS的跨物種對照實驗結論：單個螞蟻不理解全局，卻能通過局部信息的互動產生短期集體記憶，讓集群表現隨規模提升而變強，涌現出群體智能；人類個體更聰明，但集群協作高度依賴溝通，一旦規模太大，就會被低效溝通拖累。

難道是人類智慧不如螞蟻？當然不是。真正的分水嶺不在于個體的大腦有多聰明，而在于集群如何涌現出智能。亞里士多德曾說過整體大于部分之和；安德森用一句More is Different概括涌現——規模足夠大、系統內存在非線性相互作用，會涌現無法在個體層面出現的新規律；圖靈也提醒過我們：世界的智慧常常不在個體，而在規則與連接；2024年諾貝爾物理學獎授予Hopfield與Hinton，表彰他們在人工神經網絡方面的奠基性工作——神經網絡的本質，恰恰就是許多簡單單元在相互作用中形成整體能力的集群計算，正如Hopfield所說：

“Computational propertiesemergeascollective phenomenaof large systems withsimple components.”

所以螞蟻并不是更有智慧，它只是更擅長把簡單規則疊加成可擴展的協作；人類也不是不擅長協作，而是我們的集群性能更取決于溝通機制與組織結構——連接模式合適，一群個體才會真正變成一個系統。

如果你對這些反直覺但極有用的現象感興趣——從蟻群搭橋、魚群同步、到無人機集群表演、集群機器人協作、群智優化與多智能體系統、網絡輿論建模研究等——歡迎加入「群體智能」讀書會：我們用動物—人類—機器三條線，希望把群體智能的涌現這件事講清楚、講透徹；用物理學、數理邏輯、多主體建模、計算傳播等多學科視角，去追問同一個核心：集群何以比個體更聰明？群體智能又在何時涌現？

集智俱樂部聯合北京師范大學系統科學學院韓戰鋼教授、暨南大學計算傳播研究中心趙甜芳副教授、新疆大學物理科學與技術學院玉素甫·艾比布拉副教授等來自11所高校的學者，共同發起本次「群體智能」讀書會，嘗試用一條普適的線索，把自然界的鳥群蟻群、人類社會的集群行為、以及人工智能時代的多智能體與群智優化，放在同一張地圖上重新理解。

讀書會自2026年1月17日開始，安排在每周六下午14:00–16:00，歡迎所有對群體智能如何涌現、如何被理解、以及如何被設計，感興趣的朋友一起加入：帶著問題來，帶著更有趣的問題去。

讀書會背景

群體智能，無論在自然系統、生物系統、人工系統還是社會系統中，總是反復出現：集群在信息匯聚、協同決策與環境適應上的能力，常常能在某些條件下優于個體，它既存在于鳥群、蟻群、蜂群等生物系統，也正在快速滲透到人類社會與人工智能的多種場景之中。

但這也帶來一組更本質、更值得追問的問題：

1. 鳥群齊飛、蟻群筑巢的自然智慧，如何被“翻譯”成無人機集群、智能電網的人工系統？

2. 既能抱團攻堅復雜任務，又能自適應感知環境，智能集群算法的玄機何在？

3. 為何集群近臨界態被認為是系統穩定性與適應性的關鍵？如何識別這種特殊的狀態？

4. 集群臨界態與哥德爾不完備定理背后的數理邏輯，如何為集群研究打開新視角？

5. 當成千上萬的智能體需要協同工作，“大規模群智優化”如何避免各自為戰？

6. 多任務并行處理已成常態，“分布式群智優化”如何讓不同智能體各盡其責？

7. “昂貴優化”中的昂貴到底指什么？如何突破這種昂貴限制？

8. 群智進化優化與個體強化學習，如何合作攻克“復雜路徑優化”難題？

9. 網絡傳播的集群演化與調優，能否幫助我們更好地控制信息擴散、遏制謠言傳播？

10. 統計物理、系統科學、人工智能的跨界合作，為群體智能研究帶來哪些驚喜？

正是在這樣的背景下，我們發起本次「群體智能」讀書會：希望匯聚物理學、數學、系統科學、計算機科學與社會科學等多元視角，圍繞群體智能的機制、模型、理論與應用展開跨學科討論。讀書會將按研究主體貫通動物—人類—機器三條主線，并結合物理學、多主體建模、計算傳播學等方法論視角，形成一套更可對話的共同語言。

本次讀書會以“局部規則到群體智能”為主線，圍繞群體智能的理論、算法兩大核心板塊展開研討：

其一是理論板塊，以生物集群實驗數據為基礎，結合機器人集群與多智能體系統的涌現行為，整合臨界態識別、統計物理建模與廣義哥德爾不完備定理等數理邏輯相關成果，從復雜系統科學與物理雙重視角，審視臨界性、復雜性與群體智能三者的內在關聯；

其二是算法板塊，集中分享高維優化、分布式協同、多任務學習、昂貴演化問題的前沿群體智能算法，并針對復雜路徑優化、復雜網絡傳播治理、殘片復原等實際NP難問題開展算法攻關，實現技術突破。

你將收獲

前沿視野：

系統把握自然與人工集群系統、臨界性假說、集群機器人與群智優化的整體脈絡，梳理從生物集群到工程系統再到數理邏輯的跨學科發展線索。

理論工具：

了解多智能體模型、Master方程、臨界性指標、機器學習識別相變方法，范疇論和廣義哥德爾不完備定理，以及群體智能與演化算法在高維、分布式、多任務和昂貴優化中的關鍵技術框架，為后續研究打下可直接調用的工具箱基礎。

實踐認知：

通過魚群、蟻群、雞群、機器人集群、網絡傳播和碎片復原等具體案例，看到模型和算法如何落地到真實系統中，理解涌現機制–控制策略–工程實現之間的閉環關系。

思維破圈：

打破對集群系統、臨界性和數理邏輯的過于抽象濾鏡，從同一套概念體系出發，同時審視自然行為、工程設計和智能算法，形成跨物理–計算–邏輯的綜合思考方式。

同好聯結：

在讀書會中結識關注群體智能、演化優化、網絡傳播與復雜系統的伙伴，交流各自領域中的問題與模型，碰撞出新的合作方向與研究靈感。

認知升級與方向啟發：

無論是規劃個人課題、重構知識體系，還是尋找新問題入口，都有機會從本次讀書會中獲得新的概念坐標與方法論支點，為后續在多智能體系統、群智優化或復雜系統理論上的深入探索提供助推。

運行模式

群體智能讀書會 · 2026季

開營：2026.1.17 下午2:00-4:00

形式：每周六下午，11講+1圓桌 | 線上騰訊會議+北京集智谷線下場

權益：專屬群交流 + 視頻回放

行動：掃碼報名，鎖定席位

讀書會內容詳情

（群體智能讀書會內容導圖）

1月17日 第一期：從自然到人工集群系統的實驗、模型應用

主講人

韓戰鋼，北京師范大學系統科學學院二級教授，校系統分析與集成實驗室主任，國務院學位委員會系統科學評議組成員，聯合國教科文組織復雜系統數字校園副主席，兼任多個學術團體理事。

他長期致力于系統科學的基礎理論研究，建立了演化算法收斂復雜性理論，系統地研究自然與人工集群系統，生物集群行為的現象和對稱破缺機制，機器人集群的自組織協同，以及多智能體在其他領域的應用。

他的研究得到多項國家自然科學基金項目、科技部重大專項和企事業單位支持，研究成果得到同行高度評價。

研究方向：復雜系統理論，信息的功能性應用，基于 agent 建模，信息網絡，遺傳算法，蟻群，魚群，機器人群體實驗。

個人主頁：https://sss.bnu.edu.cn/t/~zhan。

內容簡介

本期讀書會立足于系統科學中“自底向上”的建模范式，旨在探討復雜系統中微觀個體交互與宏觀涌現現象之間的內在聯系。我們將首先聚焦于生物集群行為，結合蟻群與魚群的實證實驗數據，分析生物個體如何通過簡單的局部規則與環境適應性，涌現出復雜的群體智能。

在此基礎上，通過引入 Boids、Vicsek 等經典多主體模型以及基于概率的 Master 方程，深入剖析支撐集群行為的底層動力學機制，并利用統計物理學中的相變與臨界態理論，對系統在從無序到有序演化過程中的整體狀態進行嚴謹的定量分析。

進而，讀書會將從自然界的演化機制延伸至人工系統的工程實踐，重點闡述機器人集群領域的研究進展與相關關鍵技術。我們將探討如何將生物界中發現的自組織協同機制轉化為可計算的控制算法，使大規模機器人群體在無中心控制的情況下實現高效的分工、協作與環境適應。通過對機器人集群綜述及具體研究工作的剖析，展示多主體建模理論在構建具有高魯棒性與智能化的機器系統中的核心應用價值，從而揭示從生物本能到機器智能的跨學科演化路徑。

1月24日 第二期：社會性生物集群的互動規律研究1.《魚群動態互動規律研究：從個體行為到群體協同的涌現機制》

主講人

薛婷婷，昆明理工大學理學院系統科學系講師，碩士生導師，2024年畢業于北京師范大學系統科學學院并獲博士學位。主要從事生物集群行為社會互動機制的研究，聚焦鳥群、魚群等集群系統的動力學規律，融合實驗模型構建、多尺度數據分析與機器學習方法，揭示集群涌現、自適應調控及環境響應的核心機制。在Physical Review Research、Machine Learning: Science and Technology、PLOS Computational Biology等期刊發表多篇論文，主持數學建模與機器學習交叉項目、高校人培項目。

報告簡介

近年來，生物集群行為是復雜系統研究的重要方向，其在多生命尺度中展現的自組織、自適應群體協同特性，既是理解生命系統宏觀功能的關鍵，也為人工智能等領域提供重要生物啟發，對揭示非線性系統涌現規律具有重要科學意義。在集群行為的調控要素中，社會互動是連接個體行為與群體動態的核心紐帶——它決定個體對環境信息的整合、對鄰居行為的響應，直接塑造群體空間分布、運動同步性及信息傳遞效率等。

然而，傳統研究難以量化多因素交叉下社會互動的動態變化，導致 “微觀互動 - 宏觀涌現” 的認知存在斷層，厘清其調控規律成為領域核心突破點。本報告以魚類集群為載體，結合實驗觀測與數據驅動建模，闡述環境因子、物種感知差異、異質性個體對社會互動的調控機制，解析相互作用函數以建立社會互動與集群涌現的定量關聯，為理解集群協同本質提供支撐，同時為集群智能、生物行為調控等領域提供新思路。

2.《社會性昆蟲的集體響應與狀態切換：蟻群行為的實驗與理論框架》

主講人

張一帆，北京師范大學系統科學學院在讀博士生。主要從事生物集群系統的涌現特征與動力學機理研究。研究重點包括蟻群在刺激環境下的自組織狀態切換、個體間信息傳遞的相關性，以及微觀行為如何驅動群體層面的協調模式。

報告簡介

群體行為作為復雜系統研究的重要前沿，在社會性昆蟲中展現出高度協調、適應性強的集體智能。以螞蟻為代表的生物群體利用簡單規則、局部交互與信息整合實現了遠超個體能力的涌現行為。探究蟻群在動態環境與外部擾動下的集體響應規律，為理解群體決策、協作控制和集群職能系統提供了關鍵啟示。

本課題組通過設計可控的外部刺激，結合軌跡提取與多個體交互分析，構建Master方程和多主體模型，系統研究螞蟻在外界擾動下從個體到群體的響應機制以及狀態切換條件。本報告從文獻前沿到自主實驗，展示蟻群行為研究的發展脈絡、關鍵機制與新的科學問題，并探討其對復雜系統與群體智能研究的啟示。研究為理解蟻群在刺激情境下的集體響應規律提供新的實證證據，也為構建多智能體系統的協同機制模型提供新視角。

1月31日 第三期：智能集群協同與對抗研究1.《集群系統及行為動力學機理研究

主講人

于沛志，北京師范大學系統科學學院在讀博士生。主要從事集群系統及行為動力學機理研究。研究重點包括集群追逃行為博弈，集群系統異質性與自組織狀態轉換、集群系統多尺度表征等。

報告簡介

近年來，從局部規則出發刻畫群體智能的生成機制，已成為復雜系統與計算智能領域的熱點方向。Reynolds 的 Boids 三規則、Vicsek 自驅動粒子模型、Couzin 感知區域模型以及 Helbing 社會力模型等經典工作表明：個體只需依托鄰域感知與簡單互動，即可自發形成隊列、環行、聚散等多樣的時空有序結構。它們從幾何鄰域、速度對齊和社會力等不同視角，為理解群體協同行為提供了基礎范式，但在處理個體異質性、環境信息場和演化過程等方面仍存在局限。

本報告將以這些經典集群模型為起點，介紹本課題組在多智能體集群建模方面的進展：一方面通過 Master 方程與 Agent-based 模型相結合，在微觀決策—宏觀統計之間建立聯系；另一方面構建基于信息素場的蟻群模型和數據驅動的魚群 burst-and-coast 模型，揭示個體社會相互作用、環境約束與群體模式轉換之間的定量關系。報告旨在從經典模型過渡到改進的模型，展示在保持局部規則簡潔性的同時如何提升對真實生物集群與工程集群系統的解釋與預測能力。

2.《集群機器人行為涌現及協同對抗研究》

主講人

鄭雅婷，柏林洪堡大學博士后研究員，并加入智能科學集群研究團隊。研究方向主要聚焦于群體機器人的協同合作機制，目前涉及仿生集群運動控制、協同構建技術以及真實群體機器人系統中的主動彈性模型控制，曾基于E-puck、Stigmergic積木系統及BuilderBot機器人平臺開展研究。2022年1月獲得北京師范大學博士學位，并于2018年9月至2020年12月期間在比利時布魯塞爾自由大學進行聯合培養，師從Michael Allwright博士后研究員與Marco Dorigo教授。作為SCIoI項目B3的集成方向博士后，當前正基于Thymio機器人集群開展研究，致力于將不同集體行為整合為群體引導行為。

報告簡介

自然界中存在各種令人震撼的生物集群行為。揭示和歸納各類生物涌現行為的普適規律是當今復雜系統領域研究熱點之一。受到生物集群智能啟發，集群機器人系統旨在設計和建立由大量簡單機器人組成的協同合作系統，通過機器人之間以及機器人與環境之間相互作用，在宏觀層面自組織涌現出個體層面不存在的集群智能。

與簡單個體機器人相比，集群機器人系統具有更好的靈活性、容錯性、可擴展性以及穩定性。科學家發現通過建立理想化的生物集群模型，將運動個體抽象為質點，設計局部相互作用規則，在計算機仿真中可以模擬和預測復雜的生物集群行為。然而，理想化的生物集群模型往往不能直接應用于實際的集群機器人系統。

一方面，生物集群模型存在著不可忽略的理想化假設：個體對局域鄰居無偏好選擇、個體速度大小固定和無邊界限制等；另一方面，集群機器人系統自身也面臨著各種問題與挑戰：計算復雜度高、通信和定位技術限制以及難以建立可重復操作的實驗平臺等，使得當前只有少數實驗成功地實現大規模集群機器人的自組織涌現行為或者協同合作完成特定場景的任務。

根據上述理想化生物集群模型和實際集群機器人系統面臨的問題與挑戰，本報告以生物集群模型為切入點，多種集群機器人系統為實際應用場景，詳細講解如何在集群機器人系統實現類似生物集群行為的一致、旋轉等涌現行為，以及如何在多種混合集群機器人上實現集群協同和對抗。

2月7日 第四期：集群的近臨界態假說與識別研究1.《臨界性假說 —— 跨尺度生物集群系統的普適性法則》

主講人

林國政，北京交通大學系統科學學院講師，碩士生導師，2024年畢業于北京師范大學系統科學學院。主要從事各類復雜系統涌現特征與機理的研究，包括魚群、蟻群生物集群系統、多智能體系統、交通系統等。在Physical Review Letters、PRX Life、PLoS Computational Biology等期刊上發表論文10余篇，主持中央高校基本科研業務費、中國博士后科學基金面上項目、國家自然科學專項項目子項目。

報告簡介

近年來隨著人工智能領域各種顛覆性技術的不斷涌現，群體智能也越來越受到人們的關注。群體智能通過研究自然界中分散、自組織的生物集群系統（如鳥群、魚群），實現分布式、去中心化的智能行為。跨尺度的生物集群的共性是在環境刺激或擾動下能夠展現出快速響應、動態協同的能力，這種能力或許與統計物理學中的“臨界態”相關。

近幾年一些最新的實驗證據支持了“臨界性假說”，認為生物集群讓自身處于或接近臨界狀態，從而獲得對環境擾動的最大敏感性。臨界性假說的重要性在于，它不僅適用于魚群、鳥群、人群等宏觀尺度集群，而且能解釋大腦神經元、微生物、細胞等微觀尺度集群對環境刺激的響應能力，即“運行在臨界狀態”可能是跨尺度集群系統適應環境的普適性策略。

本期讀書會將介紹臨界性假說的主要內容，總結國內外以及本人在臨界性相關研究的前沿進展，并給出臨界性原理在集群機器人、智能涌現、生態環保等領域可能的應用方向。

2.《基于人工智能的集群近臨界態識別》

主講人

吳天毅，北京師范大學系統科學學院在讀博士生。主要從事集群系統臨界態識別與調控研究，聚焦集群臨界態理論，致力于建立基于觀測數據的生物與人工集群臨界態識別方法，探索引導集群演化至臨界態的調控機制，揭示臨界動力學行為在追逃博弈等功能性場景中的涌現優勢與應用潛力。

報告簡介

長期以來，科學界普遍認為生物集群系統之所以能夠涌現出高度的群體智能，在復雜環境實現高效協同，關鍵在其處于有序與無序的邊界，即“臨界態”或“混沌邊緣”。這一“臨界態假說”為理解跨尺度系統的自組織機制提供了統一框架。

然而，在實際研究與應用中，往往難以識別一個系統是否處于臨界態。傳統方法通常依賴于對系統全局狀態的大量觀測以計算序參量或關聯長度，或需人工結合先驗知識進行建模。這種對全局全量數據和先驗知識的依賴，極大地限制了其在許多觀測受限或機制未知的真實復雜系統中的應用。

隨近年來人工智能技術的飛速發展，數據驅動的方法有望為這一難題提供解決方案。本報告將首先簡要回顧集群運動的臨界態假說及其物理意義，隨后總結近年來國內外及本人在將人工智能應用于集群臨界態識別方面的最新進展，并展望相應技術在集群機器人設計、生物群體行為分析等領域的潛在應用方向。

2月14日 第五期：廣義哥德爾不完備定理與集群臨界態的數理邏輯刻畫

主講人

馬治峰，北京師范大學系統科學學院在讀碩士。主要從事范疇邏輯與集群臨界態的數理邏輯刻畫研究，研究工作跳出了傳統的動力學模擬框架，轉而從元數學的角度，探索復雜性涌現的邏輯本源。研究重點包括廣義哥德爾不完備定理、范疇論解釋器視角下的復雜性度量，以及利用哥德爾不完備空間刻畫臨界態、超驗證明等。

報告簡介

本期讀書會將展示如何將經典的哥德爾不完備定理推廣到廣義框架（GGIC），并揭示其與復雜系統臨界態之間的深刻聯系。核心內容包括：

1. 廣義哥德爾不完備定理的建立

• 從傳統的語法-語義對偶出發，構建維度化的不完備空間理論

• 提出不完備空間維度公式

• 揭示這一框架在物理系統、計算理論和人工智能中的普適性

集群臨界態的邏輯本質

• 證明臨界態在數學上等價于"不完備空間"

• 建立相變對稱性破缺與邏輯公理之間的對應關系

• 以捕食-被捕食模型為例，展示臨界態參數的邏輯推導

跨學科應用的突破

• 復雜系統：為臨界現象提供可計算的邏輯參數

• 人工智能：闡述強人工智能與不完備性理解的本質關聯

報告亮點：

• 首次建立哥德爾不完備性與復雜系統臨界態的嚴格數學聯系

• 提出"邏輯臨界性"的新概念，為多學科交叉研究提供統一框架

• 展示如何用數理邏輯工具量化描述傳統上只能定性討論的臨界現象

適合聽眾：

• 復雜系統、人工智能、理論計算機科學研究者

• 對數理邏輯與自然科學交叉感興趣的學生學者

• 希望了解前沿跨學科研究方法的科研人員

本報告將展現數學基礎理論如何為復雜系統研究提供全新的分析工具和理論視角，推動我們對"復雜性"本質的理解。

2月28日 第六期：基于統計物理與雞群行為啟發的復雜網絡連通支配集模型研究

主講人

玉素甫·艾比布拉，博士，現任新疆大學物理科學與技術學院副教授。2015年畢業于中國科學院理論物理研究所，獲理論物理博士學位，同年9月入職新疆大學開展教學與科研工作。

長期致力于統計物理與復雜系統領域研究，在《Journal of Statistical Mechanics》和《Journal of Statistical Physics》等統計物理權威國際期刊發表論文6篇，研究成果聚焦復雜網絡優化問題（如支配集、連通支配集）的統計物理建模，熟練運用自旋玻璃理論、和滲流理論等方法開展理論推導與算法優化。

近年將研究視角拓展至動物群體行為領域，通過觀察生態養雞過程中的群體自組織現象，探索從中提煉復雜系統的普適性規律與物理建模思想，力求實現物理理論與實際應用的跨學科融合，為復雜系統研究及生態養殖技術優化提供創新思路。

報告簡介

最小支配集（MDS）作為復雜網絡優化中的經典問題，其核心約束可通過統計物理局域相互作用模型精準刻畫。我們采用自旋玻璃理論為框架的統計物理BPD算法，還有核滲流理論和全域掐葉算法，實現了對MDS最優基態能量的精準預言，模型計算結果與理論最優解高度契合。然而，在拓展至連通支配集（MCDS）研究時，傳統局域相互作用模型因難以精準表達連通性全局約束，導致預測結果與基態能量存在顯著偏差，這一矛盾揭示了全局拓撲約束與局域物理建模之間的本質沖突。

為突破這一理論瓶頸，我們開始關注動物群體行為研究視角，基于兩年生態散養雞群的系統觀察，挖掘雞群自組織行為中的涌現性規律。我們發現，雞群在覓食、避險及夜棲等場景中，會自發形成兼具“覆蓋性”與“連通性”的動態群體結構：個體通過局部信息交互（如視覺識別、聲音通訊）實現群體范圍的資源覆蓋，同時維持群體連通以保障信息傳遞與集體防御，這一特征與MCDS的“支配+連通”雙重約束高度契合。

我們進一步將雞群行為機制轉化為統計物理模型的優化策略，通過引入“動態交互權重”與“群體連通性懲罰項”，改進傳統局域能量函數，實現對全局連通約束的有效刻畫。該模型不僅為解決復雜網絡MCDS問題提供了新的物理建模思路，更直接為規模化生態散養雞群管理提供技術支撐——基于模型優化的雞群分布調控方案，可實現養殖區域的資源高效利用與雞群行為穩定性的動態平衡，為高福利生態養雞模式的標準化推廣奠定理論與實踐基礎。

3月7日 第七期：大規模群智協同優化算法研究

主講人

楊強，南京信息工程大學副教授（校聘教授），南京信息工程大學龍山學者，碩士生導師；分別于2014年和2019年在中山大學信息科學與工程學院和數據科學與計算機學院獲得碩士和博士學位；主要從事計算智能算法及其應用研究，累計發表學術論文100余篇，其中在人工智能領域的國際頂級期刊IEEE Transactions系列期刊發表論文10余篇，累計Google Scholar引用3200余次，1篇論文入選ESI高被引論文，1篇論文獲評IEEE SMC2022（CCF C類會議）最佳學生論文提名獎，1篇論文獲評IEEE ICACI2023（計算智能領域旗艦會議）最佳論文獎；1篇論文獲評IEEE MiTA2024（計算智能領域旗艦會議）最佳論文獎；授權發明專利15項；2020年入選江蘇省雙創博士計劃，2022年獲評校五四青年獎章，2023年獲評校首批十大青年科技之星，2024年入選江蘇省第七期“333工程”第三層次人才計劃，主持國家自然科學基金項目2項，江蘇省自然科學基金項目1項，江蘇省高等學校自然科學基金面上項目1項。

報告簡介

高維度大規模優化問題在日常生活和工業生產中日益常見，尤其在當今物聯網環境下，優化問題的維度日益增多，變量耦合性日益增強，優化復雜度日益增加，導致傳統優化算法無法有效求解。憑借對待解優化問題無任何數學特性要求、全局搜索能力強、內在并行特性等優勢，群體智能算法已經成為了求解大規模復雜優化問題的重要途徑之一。

然而高維度環境下，解空間指數式增長，群體協同搜索效率較低；局部最優區域寬且多，群體協同面臨局地性；變量緊耦合、解空間高度復雜，群體協同不充分。為有效解決上述問題，項目團隊圍繞大規模高維度環境下的群體協同交互的高效性和有效性問題，分別提出了支配式群體交互框架，增加群體交互的導向性，提升群體協同搜索的收斂性；提出了鄰域式群體交互框架，增加群體交互的多向性，提升群體協同搜索的多樣性；提出了差異式群體交互框架，增加群體交互的異向性，提升群體協同搜索的廣面性。

依托上述框架，群體智能算法求解大規模復雜優化問題的性能得到了極大提升。本報告將詳細介紹上述框架，以期讓讀者了解提升大規模場景下群體協同交互有效性的方法，從而啟發讀者開展深入研究，促進大規模群體智能算法的研究進展。

3月14日 第八期：分布式與多任務群智優化算法研究1.《分布式群智協同優化》

主講人

魏鳳鳳，華南理工大學計算機科學與工程學院助理教授，碩士生導師，主要研究方向是群體智能、進化計算、分布式優化、數據驅動優化、智能體與多智能體系統，已發表國際期刊和國際會議論文50余篇，其中IEEE Trans.長文15篇；主持國家自然科學基金青年科學基金項目、中國博士后科學基金面上項目、廣東省自然科學基金面上項目等；獲廣東省人工智能產業協會科學技術獎自然科學獎一等獎、第四屆國際分布式人工智能會議最佳論文、中國仿真學會智能優化與調度專委優博、ACM廣州分會優博；現任中國計算機學會協同計算專業委員會委員。

報告簡介

群體智能是匯聚群體智慧協同求解復雜問題的方法，是《新一代人工智能發展規劃》明確的重要發展方向，在智能交通、智慧物流等領域得到廣泛應用。隨著超算、邊緣計算等技術的快速發展，傳統群體智能方法面臨著個體目標難評估、全局信息難匯集、群體協作難拓展的挑戰，本報告以分布式數據驅動的群體智能為主題，介紹如何有效利用數據，激發分布式環境下更高效的群智涌現，通過多代理模型協同驅動、按需評估的分布式聯邦優化、網絡化多智能體協同優化等技術，提高群體智能算法的魯棒性、高效性、可擴展性；并探索基于智能體的數據驅動群體智能方法，利用大模型提升個體環境感知、任務理解、策略生成能力和群體分布式協作的能力。

2.《多任務群智優化：基于演化遷移學習的算法設計》

主講人

王子佳，男，博士，廣州大學計算機科學與網絡工程學院副教授，碩士生導師。主要研究方向：計算智能、群體智能、機器學習。2015年本科畢業于中山大學自動化系，獲工學學士學位，2020年直博畢業于中山大學計算機系，獲工學博士學位；畢業后至2021年7月在騰訊科技（深圳）有限公司擔任高級算法研究員；2021年8月以百人計劃青年學者身份進入廣州大學任副教授，現在是學院青年干部儲備人才。2023-2024年度廣州大學“最受學生歡迎的教師”。目前主持國家自然科學基金青年基金項目一項、廣東省自然科學基金面上項目三項、廣州市基礎研究計劃市校（院）聯合資助項目一項、廣州市基礎與應用基礎研究項目一項。累計發表論文40余篇，其中中科院JCR一區和IEEE Transactions論文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篇入選ESI高被引論文，4篇論文被列入ESI研究前沿。現已榮獲吳文俊人工智能優秀博士學位論文獎（全國9人）、ACM廣州分會新星獎（廣東省3人）、ACM廣州分會優秀博士學位論文獎（廣東省2人）、廣東省計算機科學青年學術秀一等獎（廣東省3人）。擔任IEEETCYB、IEEE TEVC、IEEE TNNLS、IEEE TSMC、IEEE TIFS、IEEE TETCI等多本頂級刊物的審稿人。現任IEEE高級會員、CCF高級會員、中國計算機學會協同計算專業委員會委員、中國自動化學會粒計算及其應用專業委員會委員、中國仿真學會智能仿真優化與調度專業委員會委員、中國圖學學會圖學大數據專業委員會委員、廣東省計算機學會大數據專業委員會委員。受邀出任亞洲人工智能技術大會（ACAIT 2023/2024/2025）和國際機器智能與應用大會（MiTA2024）的Session Chair，擔任國際期刊《Complex System Modeling and Simulation》、《CAAI Transactions on Intelligence Technology》的青年編委，并榮獲國際期刊《Human-Centric Intelligent Systems》的杰出審稿人獎。

報告簡介

多任務優化（EMTO）是一種群體智能算法領域新涌現出的一種問題范式，通過利用多個優化任務之間的共享知識來同時解決這些任務。目前，多任務優化已廣泛應用與工程設計、機器學習和資源分配等眾多實際領域。與傳統的單任務算法不同，多任務優化中的一個任務的解決方案可以為相關任務提供信息或改進解決方案，從而加速收斂并提高整體性能。因此，不同任務之間的知識轉移對于促進任務的優化至關重要。 而實現高效的知識遷移也是多任務優化領域的研究重點。本期讀書會從以下三個方面介紹一些最新的知識遷移技術以及對應的多任務算法。包括：

1、多層次多段學習:與傳統只在對齊維度上的知識遷移不同，該只是遷移技術瞄準相似或相關的維度上進行KT，同時避免處理異構問題時的維度填充帶來的冗余信息。

2、基于神經網絡的知識轉移：與傳統基于個體的表層知識遷移不同，基于神經網絡的知識遷移側重與分析任務的相似性，獲得信息預測的轉移模型，實現知識的本質遷移。

3、模糊自適應學習:該知識遷移策略首先設計一個從多方面綜合評價知識遷移性能的方案，通過不同方面的遷移性能評估，使用模糊邏輯，實現遷移頻率的自適應調整。

3月21日 第九期：強化學習路徑優化：群體、個體智能協同算法

主講人

賈亞暉，華南理工大學未來技術學院副教授，博導，廣東省珠江人才引進團隊骨干，IEEE CIS Taskforce on Evolutionary Scheduling and Combinatorial Optimization組長，CCF協同計算專委會委員。曾擔任新西蘭惠靈頓維多利亞大學博士后研究員。主要研究方向為智能優化算法，包括進化計算、深度強化學習及其在智慧交通和智慧能源方面的應用，在包括IEEE TEVC, TCYB, TNNLS, WCCI等國際著名期刊和重要國際會議發表論文40余篇。擔任Journal of Renewable and Sustainable Energy副編輯。

報告簡介

路徑優化問題是一類典型的組合優化問題，例如旅行商問題，車輛路徑問題，機器人任務分配與調度問題，在現實生活中擁有很多典型的應用，例如外賣派送、物流規劃、垃圾回收等。計算智能方法，特別是基于群體智能的進化計算方法和基于個體智能的強化學習方法，目前已經成為解決此類問題的主流。本期讀書會將探討兩種不同的計算智能方法在求解路徑優化問題時的優劣勢，相關算法的設計思路，以及主要關注的科學問題。最后探討兩種方法相結合的可能性。

3月28日 第十期：昂貴演化與協同優化前沿1.《昂貴演化優化：前沿與方法》

主講人

黎建宇，南開大學人工智能學院引進教師，入選人工智能領域全球前2%頂尖科學家，CAAI優秀博士論文激勵計劃提名，南開大學人工智能學科振興計劃；主持國自然青年、天津市青年項目B類等項目多項；主要研究方向是人工智能、進化計算、群體智能和大模型，目前已發表學術論文50余篇，包括IEEE Transactions系列的國際高水平學術期刊論文20篇，ESI高被引論文3篇，《計算機學報》等中文核心期刊論文3篇；谷歌學術引用2000余次，H-index為21；獲機器智能期刊最高被引論文獎，CAAI會刊《智能系統學報》優秀論文獎；授權國際發明專利1項。

研究成果得到了國際同行的正面評價和應用推廣。被包括美國科學促進會會士、歐洲科學院院士、加拿大皇家科學院院士等多國/地區院士、多位IEEE Transactions系列期刊的創始主編及現任主編、IEEE Fellow等著名學者評價為“首創（for the first time）”、“優秀的成果（excellent results）”、“更高效（more efficiently）”和“新興的課題（emerging topic）”等；被YouTube（AI Trends）、Twitter（MIR_Journal）、騰訊新聞（智能科學匯）等媒體平臺作為頭條進行宣傳和報道；被國內外學者廣泛應用于芯片設計、生物醫學和物流運輸等眾多領域的優化問題中，推動相關領域的發展。

報告簡介

在“人工智能+”時代，最優化與智能化已成為推動人類社會進步、發展新質生產力的關鍵力量，更是人工智能邁向更高層次的必然趨勢。隨著物聯網、云計算、大模型、5G和區塊鏈等前沿技術的蓬勃發展，眾多優化問題愈發復雜，呈現出大規模、高動態、多峰值、強約束、多目標以及計算成本高昂等多重挑戰，這對傳統優化算法提出了前所未有的難題。

進化計算與群體智能作為模擬自然界生物進化和群體動物智能行為的先進人工智能算法，憑借其行為的可觀察、可感知、可認識、可解釋和可調控等獨特優勢，近年來在知識發現、搜索優化和問題求解等領域得到了廣泛應用。然而，面對候選方案評估成本高昂的復雜優化問題，傳統進化計算方法在計算效率上仍顯不足。

本期讀書會將介紹近年來昂貴演化優化方向上的創新成果，這些方法為應對現代超復雜優化問題提供了全新的思路和高效途徑，為人工智能領域邁向新的發展階段起到了推動作用。

2.《殘片復原新路徑：一種協同進化優化框架》

主講人

張鑫源，暨南大學智能科學與工程學院，黨總支委員，人工智能系主任，碩士生導師，中國計算機學會協同計算專委，珠海計算機學會理事，廣東崍智科技有限公司技術總監。主持國家自然科學基金金青年項目，廣東省“雙創”黨建項目。曾在IEEE TEVC，TCSVT，GECCO等國際期刊和會議發表論文20余篇。擔任多個國際頂級期刊審稿人。

報告簡介

殘片復原問題旨在從碎片中復原出原始物體。傳統的手工復原技術嚴重依賴專家知識，且可能會對易碎碎片造成損壞，因此有必要開發自動化復原方法。隨著碎片數量的增加，當前的復原算法常常遭遇“維度災難”，算法的準確性和效率均會受到影響。同時，這些算法主要依賴碎片內容，導致其適用性和可擴展性受限。為應對上述挑戰，我們提出了基于協同進化優化框架的新型復原方法。該方法既涵蓋了殘片復原問題的形式化表達，也包含了為解決該問題而開發的定制算法。

值得注意的是，我們的建模方法與碎片內容無關，僅依賴碎片的邊緣形狀。基于此種建模方法，解決方案本身就代表了碎片的重建過程。為高效編碼候選解，我們采用了樹形結構。這種編碼方案使得傳統的協同進化流程和遺傳算法算子（如交叉和變異）不再適用。

因此，我們專門針對復原任務提出了一種樹形結構的協同進化算法。我們的目標是克服當前復原算法的局限性，構建更準確、高效的復原方法。為評估所提方法的有效性，我們進行了一系列綜合實驗。實驗結果表明，我們提出的方法在解的質量、收斂速度和魯棒性方面均取得了令人滿意的效果。

4月11日 第十一期：網絡傳播建模與優化研究1.《多因耦合的網絡傳播演化建模與優化分析》

主講人

年福忠，蘭州理工大學人工智能研究院院長，二級教授、博導，甘肅省領軍人才。博士畢業于大連理工大學，曾任清華大學訪問學者（中組部“西部之光”），現為復雜系統智能信息處理團隊負責人，入選“隴原青年創新人才扶持計劃”等人才計劃，兼任中國自動化學會計算社會與社會智能專委會常委，中國醫學裝備協會醫療器械創新與應用分會常委等。研究成果獲甘肅省自然科學二等獎（排名第1），甘肅省高校科技進步一等獎（排名第1），甘肅省高校科研優秀成果二等獎（排名第1），甘肅省教育廳教學成果獎，遼寧省自然科學三等獎等多項獎勵。近年來，在以第一作者或通信作者身份在IEEE Trans. NSE、IEEE Trans. CSS等SCI期刊上發表論文100余篇，出版專著1部，教材2部。近年來主持完成包括國家自然基金項目（3項）在內的各類科研項目20余項，其中由其主持研發的多導經絡智能檢測儀，獲國家醫療器械注冊證，同時獲得1000萬元風投基金，產品已在北京護國寺中醫醫院等多家醫院臨床應用。相關工作被新華社專訪，新浪、鳳凰網等國內主流媒體轉載。

報告簡介

個體因素、群體因素、信息量、網絡拓撲、傳播模式等因素都會對傳播產生影響，為此，我們多角度研究了網絡信息、新冠疫情等真實案例在不同情況下的演化規律與傳播特征，并為之建模與優化，揭示其背后的機制與規律，進而找到相應的控制策略。

2.《面向網絡傳播優化分治型群體智能方法》

主講人

趙甜芳，暨南大學計算傳播研究中心特聘研究員，廣東省科技創新青年拔尖人才（省部級），廣州市網絡輿情分級與判定標準起草專家。研究領域包括智能傳播、分治型群智優化。累計發表IEEE TCYB/TKDE/TSMC/TNSE/TCSS等在內的期刊及會議論文30余篇，其中包括近10篇頂刊論文。主持國家自然科學基金青年項目一項、省部級項目三項。現為中國計算機學會協同計算專委會執行委員、中國中文信息學會SMP專委會委員，國際期刊Journal of Social Computing青年編委，擔任TNNLS/TCSS/TAI/IPM/計算機學報等期刊審稿人。曾獲廣東省人工智能產業協會科學技術獎自然科學獎一等獎、ACM廣州新星獎，近五年指導學生團隊獲省級以上競賽獎勵30余項，培育成果入選2023年中國計算機學會技術公益案例集。

報告簡介

在大數據與人工智能時代，社會網絡規模空前龐大，催生了復雜的網絡傳播難題。本項目針對高維復雜、去中心化且動態不確定的大規模網絡傳播環境，擬研發一套適配多情景的分治型群體智能方法框架。

具體包括：融合網絡拓撲信息與決策空間結構信息的自適應重疊解耦機制，實現群體智能決策空間的有效劃分；構建基于非完全信息的分布式自主協同機制，達成去中心化環境下的多種群合作協同演化；針對信息繭房、謠言傳播、病毒式傳播等網絡難題，開展網絡傳播優化的創新應用。本研究深入探索網絡拓撲空間與群體智能決策空間的關聯規則，以及群體智能中多種群局部自治與鄰域協同的平衡機制，目標是優化正面傳播、疏導治理重大突發事件中的負面傳播，助力提升網絡傳播的治理效率與質量。

第十二期：圓桌討論（暫定于4月18日舉行）

圓桌討論將在11期讀書會內容結束之后進行。屆時，讀書會的發起人韓戰鋼教授，趙甜芳副教授和玉素甫·艾比布拉副教授，將與集智俱樂部創始人張江教授、CEO張倩共同領銜，就本季群體智能讀書會中的熱點科學話題展開討論，為讀書會收官。

讀書會推薦閱讀清單

掃描下方二維碼可跳轉至集智斑圖網站查看群體智能讀書會推薦閱讀材料

群體智能從自然涌現到人機共創讀書會推薦閱讀清單

讀書會總策劃

張倩，集智學園聯合創始人兼CEO，南京信息工程大學人工智能學院（原信息與控制學院）碩士畢業，于2016年接手運營集智俱樂部并創辦集智學園，開創了集智課堂共學模式，打造了《巴拉巴西網絡科學》、《系統科學前沿》、《復雜性思維》等多期課程，組織編寫《深度學習原理與Pytorch實戰》、主筆《netlogo多主體建模入門》、翻譯《復雜——誕生于秩序與混沌邊緣的科學》，倩姐公眾號主理人。

運營負責人

范瑞驍，北京師范大學系統科學學院碩士研究生，師從北京師范大學系統科學學院韓戰鋼教授。

報名參加讀書會

讀書會價格：399元

報名方式：

第一步：微信掃碼填寫報名信息。

第二步：填寫信息后，付費報名。如需用支付寶支付，請在PC端進入讀書會頁面報名支付：

第三步：添加運營助理微信，拉入對應主題的讀書會社區（微信群）。

PS：

為維護學術交流的專業性與聚焦度，本讀書會對討論內容作如下約定：

我們鼓勵圍繞理論生態學及相關具體問題的深入探討。為保證討論質量，請避免發表脫離本期讀書會主題、缺乏實證基礎或過于空泛的哲學思辨類內容。

若討論內容明顯偏離主題，經主持人提醒后仍未調整，為維護整體學習環境，我們將不得不將該成員請出討論群，并根據其實際參與進度，對未參與部分按比例辦理退費。

感謝您的理解與配合，讓我們共同營造一個專注、深入、有收獲的共學空間。

加入社區可享核心資源

成為會員即可解鎖完整學習生態，包括：線上實時問答、全部課程錄播回看、獨家資料共享、高質量社群交流、第一手信息同步，以及通過參與共創任務獲取積分等權益。

特色退費與激勵機制

我們提供以下兩種途徑，讓您的投入獲得實際回饋：

1. 任務達標退費路徑：認領并合格完成任意兩期字幕任務，即可退還全額報名費，并額外獲得集智專屬周邊獎勵。

2. 運營成長激勵路徑：合格完成一個字幕任務后，可申請成為運營助理。在讀書會項目順利結項后，將退還學費。表現優異者，還有機會獲得額外的獎學金。（詳情請見：）

相關內容推薦：