特殊结构优化与算法软件论坛---既多目标优化与机器学习

现代优化前沿及其交叉领域的研究持续深化和拓展，非凸非光滑优化、多目标优化、双层优化和稀疏优化等领域不断取得新进展，并为解决人工智能、电力系统与交通领域诸多问题提供了有力工具。为进一步推动这些领域的研究，并吸引更多青年学子加入研究队伍，西南大学数学与统计学院拟举办“特殊结构优化与算法软件论坛“系列会议,并于2026年9月23-25日举办学术会议—“特殊结构优化与算法软件论坛---既多目标优化与机器学习”专题，特邀著名优化学者作报告，并指导青年教师和研究生在相关领域开展研究。

一 、学术委员会（按字母排序）

主席：

戴彧虹 研究员（中国科学院数学与系统科学研究院）

韩德仁 教授 （北京航空航天大学）

委员：

徐凤敏  教授 （西安交通大学）

赵志华  副教授 （西安电子科技大学）

高 英 教授 （内蒙古大学）

李声杰  教授 （重庆大学）

欧小庆 副教授 (重庆人文科技学院)

二 、组织委员会

陈加伟 教授 (召集人)  联系电话:15123233235

李松莹 黄拉 李紫琪 谭兵 刘丽亚   张俊容  彭伟光        

三、 日程安排

1. 2026 年 9 月 23 日：报到

2. 2026 年 9 月24 日：系列报告；

地点：西南大学数学大楼916

3. 2026 年 6 月 25 日：相关研究课题交流，离会

四、主办单位

西南大学数学与统计学院、  中国运筹学会算法软件与应用分会

六、资助单位

  国家自然科学基金、中央高校基本科研业务费项目、重庆市自然科学基金项目

备注：本次会议不收取注册费，提供食宿与交通费。

论坛安排如下：

题目： One-Step Decoupling of Consensus and Complementarity for Anchor-Based Incomplete Multi-View Clustering

主讲：赵志华 西安电子科技大学

摘要： Incomplete multi-view clustering partitions samples whose views are partially missing. The central difficulty is that every view-specific anchor graph mixes cross-view consensus with view-specific complementarity, and existing methods either discard one kind of information or separate the two after the mixture has formed. We propose the Global-Local Anchor Graph Collaborative Learning (GL-AGCL) framework, which separates consensus and complementarity at the source by writing each view-specific anchor graph as the sum of a global graph and a view-specific local graph, both optimized as independent variable blocks within one objective. Three asymmetric regularizers steer the decomposition: a KNN graph Laplacian anchors the global graph to the shared data manifold, a diversity penalty pushes the local graphs apart, and a cardinality-constrained simplex gates out unreliable anchor connection. A block coordinate descent algorithm solves every subproblem in closed form, with an exact O(s) solver for the nonconvex sparse simplex projection, where s is the number of anchors, and is proved to converge to a feasible stationary point. On five benchmarks, GL-AGCL attains the highest clustering accuracy in 19 of 20 settings, outperforming the strongest baseline by 7.81 and 5.57 percentage points at a missing rate of 0.7 on MSRC-v5 and Yale, and removing the cardinality constraint alone costs 11.3 percentage points on MSRC-v5. The implementation is available at https://github.com/zsk66/GL-AGCL.

简介： 赵志华，西安电子科技大学副教授，硕士生导师。研究方向为稀疏随机优化、机器学习理论算法及金融应用。相关成果发表在Mathematics of Operations Research, Science China-Mathematics, European Journal of Operational Research等期刊上。获得陕西省哲学社会科学优秀成果奖（1/4），主持或参与多个国自然基金项目，陕西省自科重点和青年项目等。

题目：投资组合最优清算问题的双层规划模型

主讲: 徐凤敏 西安交通大学 教授

摘要：传统最优清算问题多基于单人决策框架，难以刻画市场参与者间的策略互动。本文引入主从博弈视角，构建投资组合最优清算的双层规划模型，其中领导者和跟随者先后交易以获取现金，资产价格受双方行为共同冲击。理论分析表明，跟随者的最优策略恰满足现金需求，不会过度卖出；领导者的额外损失由持仓结构与价格冲击因子共同决定。针对模型的非凸和嵌套结构设计了混合量子粒子群算法，数值实验发现，处于弱势地位的领导者为规避跟随者引发的价格下跌，倾向于提前清空相关资产；若忽视博弈机制，领导者可能面临高达46.6% 的相对损失。

简介：徐凤敏，女，西安交通大学经济与金融学院教授、博士生导师，金融科技系主任。陕西青年科技奖获得者。中国双选法学会理事，中国双选法学会经济数学与管理数学分会副理事长,中国运筹学学会数学规划分会常务理事。中国运筹学会金融工程与风险管理分会常务理事。长期致力于数据驱动的金融优化及金融科技方面研究。已在国内外期刊上发表论文50多篇，其中被ESCI检索2篇。编写专著4部。

题目：Smoothing characterizations of nonsmooth multiobjective optimization problems（非光滑多目标优化问题的平滑性质）

主讲: 高英 内蒙古大学 教授

摘要：As a special nonlinear scalar function, the oriented distance function has been widely used in the scalarization of multiobjective optimization problems (MOPs). However, its non-differentiability makes it difficult to construct efficient algorithms based on its theoretical results. In order to solve this problem, this talk investigates smoothing approximations of the oriented distance function and establishes the smoothing characterizations and smoothing algorithms for nonsmooth MOPs. First, two types of smoothing approximations for the oriented distance function are presented and their corresponding gradient vectors, Hessian matrices and related properties are derived. Subsequently, building upon these smoothing expressions, a smoothing numerical optimization model is formulated, and its theoretical connection to the nonsmooth MOPs solutions is established. Finally, a smoothing projection gradient algorithm for the original problem is developed, and numerical results show the effectiveness of the proposed methods.

简介：高英，博士，内蒙古大学教授，博士生导师。2010年开始在重庆师范大学数学科学学院工作，2023年调入内蒙古大学，2011年晋升副教授，2012年任硕士导师，2016年晋升教授。2010年在香港理工大学短期访问，2017年09月至2018年09月由国家留学基金公派在纽约大学商学院访问。主要从事多目标优化理论与方法研究，在《Journalof Global Optimization》《Journalof Optimization Theory and Applications》和《系统科学与数学》等国内外核心期刊上发表学术论文30余篇，主持包括国家自然科学基金项目在内的省部级及以上科研项目10 项，主研包括国家自然科学基金重点项目在内的省部级及以上科研项目 8 项。

题目：A new ADMM and inexact ADMM for solving Fused Lasso(求解Fused Lasso问题的ADMM与非精确ADMM算法)

主讲: 欧小庆 重庆人科学院 副教授

摘要：Sparsity is the essential characteristic of high-dimensional big data problems. Fused least absolute shrinkage and selection operator (FLASSO) model is an important tool for dealing with sparse problems in high-dimensional multivariate linear regression analysis. In this paper, a new linearized alternating direction method of multipliers (NLADMM) is proposed to solve the FLASSO. We present the range of multipliers of the adaptive step size and the relax factors, and then present an inexact version of NLADMM (INLADMM) to make the algorithm efficient and implement easily. Convergence analysis of the proposed algorithms is established under some mild conditions. Numerical results for solving FLASSO with fixed penalty factors show that INLADMM and NLADMM have better variable selection capabilities than the existing methods such as ADMM, LADMM and ELADMM. Especially, INLADMM also obtains solutions with higher accuracy in fewer time than ADMM, ELADMM and NLADMM

简介：欧小庆，重庆人文科技学院副教授，先后在西南财经大学与北方民族大学获得硕士学位与博士学位，主要从事系统决策与管理优化的研究，主持重庆市自然科学基金、重庆市教委科技研究项目等省部级项目3项，在Journal of Global Optimization、Journal of Optimization Theory and Applications、Optimization、Numerical Algorithms、Journal of Nonlinear and Variational Analysis等知名期刊发表下15篇论文。