应dota2博彩 邀请，6月10日下午，中国科学院大学韩丛英教授在理化楼401作了题为“求解大规模线性规划问题的端到端学习算法介绍”的学术报告，该报告为“理学之美”前沿论坛第554讲。
韩丛英教授以人工智能对其他学科的重要影响为背景，围绕随之产生了优化问题的求解新范式——学习最优化方法，重点介绍了求解大规模线性规划问题的端到端学习算法。从秩和条件数可控的线性规划实例生成这一角度进行切入，详细阐述了线性规划测试实例应具备无偏性、代表性和多样化等特点。她基于强化学习的线性规划单纯形最优转轴标签样本生成，设计了一种适用于任意线性规划实例方法，为单纯形算法提供最优转轴路径，以及为基于监督学习的方法提供一种最优的监督信号，使单纯形法监督学习类方法的性能不再受标签所限。韩丛英教授最后介绍了求解大规模线性规划问题的端到端的学习算法，表示算法为图神经网络引入mask机制和M-Order Top-K Search技巧，从而设计了Gfilter规则，可以很好地适用于不同类型线性规划实例的求解场景。
报告结束后，韩丛英教授与在场师生就大规模线性规划问题的多个关键议题展开了深入讨论，涵盖数据样本库生成与推广、转轴次数的多项式条件保证、基于蒙特卡洛树搜索等模型的求解效率对比，以及相关模型在混合整数规划等问题展开热烈讨论。
韩丛英，中国科学院大学长聘教授、博士生导师。近年主要从事组合优化的人工智能求解方法、机器学习与优化、深度学习与模式识别、强化学习与智能决策等交叉学科的理论与应用方面的研究。在人工智能期刊和国际学术会议AAAI、NeurIPS、ICML和CVPR等发表了系列研究论文。获得中国运筹学会科学技术奖运筹应用奖、国际运筹学会联合会运筹进展奖二等奖（IFORS prize for OR in development, Runner-up）等。主持国家自然科学基金重点项目、科技部“数学和应用研究”重点研发项目课题、国家自然科学基金面上、青年项目以及省部级纵横向项目多项，目前兼任中国运筹学会第十二届常务理事。
