郝进考教授简介：
现任法国昂热大学（Université d'Angers）理学院计算机科学系特级教授（Professeur des Universités de Classe Exceptionnelle），2015年入选法国大学科学院院士（Senior Fellow de l'Institut Universitaire de France），曾担任法国昂热大学LERIA智能计算实验室主任（2003年—2015年）。
他致力于研究高效优化算法和智能计算方法，以求解大规模的组合优化问题，并应用于生物信息学、数据科学、移动通信，复杂网络、交通运输等领域；他在包括在本领域顶尖期刊IEEE Transactions on Evolutionary Computation、IEEE Transactions on Systems, Man, and Cybernetics: Systems、IEEE/ACM Transactions on Computational Biology and Bioinformatics、Evolutionary Computation、European Journal of Operational Research、INFORMS Journal on Computing、Information Sciences等专业期刊上发表论文超过230余篇，H指数（截至2019年6月）为48，引用次数超过8200余次（Google Scholar）。
讲座内容：
一、求解大规模组合优化问题的元启发式方法
组合优化旨在有限的候选解决方案集中确定满足最小化或最大化标准的特定解决方案。在一般情况下（NP难问题），组合优化问题是非常困难的。除了经典精确算法和近似方法之外，在过去的二十年中，基于元启发式方法的近似算法已经出现，作为克服组合问题的内在复杂性的替代方法。在本次演讲中，我们首先概述了典型的元启发式方法。然后，我们提出一些应用的例子，包括着名的NP难题（图着色问题，多维背包问题，最大团问题等等）和实际问题（无线电网络中的频率规划和天线定位问题，卫星摄影规划问题，体育联盟调度问题等等）。
Talk 1: Metaheuristics for large scale combinatorial optimization
Combinatorial optimization aims to determine among a finite set of candidate solutions a particular solution that satisfies a minimization or maximization criterion. Combinatorial optimization is difficult in the general case (NP-hard problems). In addition to classical exact and approximation methods, approximate approaches based on metaheuristics have emerged over the past twenty years as an alternative to overcome the intrinsic complexity of combinatorial problems. In this talk, we first offer an overview of the typical metaheuristic methods. We then present some examples of applications on well-known NP-difficult problems (coloring of graphs, multidimensional knapsack, maximum clique, etc.) and real problems (frequency planning and antenna positioning in radio networks, planning of satellite photography, sports league scheduling, etc.).
讲座时间：2019年10月29日（周二）上午10:00—11:30
讲座地点：犀浦校区X2511
二、基于学习和数据驱动的优化方法：应用实例
在本次讲座中，我们提出了一些使用学习和数据挖掘技术来解决组合优化问题的案例研究：用于图着色的多维缩放和强化学习，用于具有最大多样性的子集选择的基于对立的学习，以及用于二次分配的频繁模式。我们展示了如何有利地将学习和数据挖掘技术与优化方法相结合，以获得用于困难的组合优化问题的高质量解决方案。
Talk 2: Learning and data mining driven optimization for combinatorial problems: some case studies
In this talk we present some case studies of using learning and data mining techniques for solving combinatorial optimization problems: multidimensional scaling and reinforcement learning for graph coloring, opposition-based learning for subset selection with maximum diversity, and frequent patterns for quadratic assignment. We show how learning and data mining techniques can be advantageously combined with an optimization method to obtain high-quality solutions for difficult combinatorial optimization problems.
讲座时间：2019年10月29日（周二）下午15:00—16:30
讲座地点：犀浦校区X2511
