近期，南科大计算机科学与工程系程然课题组在计算智能及其应用领域取得重要研究成果进展，在IEEE Transactions on Evolutionary Computation (SCI影响因子：11.169)、IEEE Transactions on Cybernetics (SCI影响因子：11.079)、IEEE Transactions on Systems, Man and Cybernetics: Systems (SCI影响因子：9.309)、Journal of Hematology & Oncology (SCI影响因子：11.059) 等知名期刊发表并成功被录用共6篇论文，所提出的算法成功应用于电容式电压互感器（CVT）误差评估、肢端肥大症分级诊疗等领域。

（1）电容式电压互感器（CVT）给电能表提供电压信号，其测量误差直接影响电能计量的准确性。CVT在110kV及以上变电站中得到了广泛应用，然而CVT长期运行后易出现误差异常。为了跟踪CVT的计量误差状态变化，一般采用基于标准器比对的定期停电检定法，但由于变电站停电困难等原因，CVT往往无法按期检定，导致长期运行准确性难以得到保证。以IEEE Fellow A.G.Phadk为代表研究了CVT预检定在线评估方法，首先对站内部分CVT进行停电检定，再通过对变电站的精确建模求取其他CVT的计量误差。其缺陷在于未能完全脱离停电检定，且由于停电评估的时效性有限，无法实现CVT计量误差状态的长期动态跟踪。因此，在完全无需标准器的条件下，实现CVT计量误差状态在线评估，是计量领域的国际性难题。

程然课题组通过与华中科技大学李红斌教授团队合作，通过测量学科与信息学科的交叉与融合，首次将计算智能优化的思想用于解决物理设备测量误差状态评估问题，提出了信息物理融合的CVT群体计量误差评估模型，以群体模型实现了对CVT个体的误差评估，可实现CVT个体计量误差状态的在线评估。相关工作成果已发表在计算智能顶级期刊IEEE Transactions on Evolutionary Computation。南科大何成研究助理教授是第一作者，程然助理教授是通讯作者，华中科技大学李红斌教授团队是合作作者。此外，项目研制的装置及平台，已应用于山西、山东、浙江、湖南、湖北等地的近300个变电站，现已累计发现16台互感器误差异常，全部经停电检定验证了评估的有效性，实现了无标准器条件下对CVT计量误差状态的准确在线评估与预警。程然助理教授为通讯作者，何成研究助理教授为论文第一作者，其他合作者包括南科大姚新教授 (IEEE Fellow)、华中科技大学李红斌教授团队等。南方科技大学为第一单位。

（2）肢端肥大症通常是由垂体腺瘤引起的生长激素的持续性分泌引起的一种临床综合征，其患病率约为60/百万人，年发病率约为0.03~0.04/万。由于其隐匿的发作，模糊的症状和缓慢的进展，该疾病的诊断通常被延迟，导致严重的并发症，例如心血管疾病和治疗困难。因此，必须使用自动高效的筛选方法，促进该疾病的快速准确诊断。

图 2 深度学习方法在不同级别肢端肥大症预测结果

课题组在医学领域知名期刊Journal of Hematology & Oncology上发表了一种通过学习面部照片特征，构建肢端肥大症自动诊断和严重程度分类的深度学习方法。该方法可以帮助人们方便地进行自我筛查，从而对肢端肥大症进行早期诊断并因此得到早期治疗。并且，该方法是第一个具有肢端肥大症严重性分类功能的自动化方法，并对每种分类取得了89%以上的准确率（超过一般医师水准），为进一步推广应用奠定了基础。南科大程然助理教授为论文共同通讯作者，合作单位包括北京协和医院与剑桥大学公共卫生和初级保健司。

（3）物流调度、航班规划等复杂应用场景中，设计方案的评价随着时间动态改变。这类优化问题在现实中广泛存在并且求解困难。为了推动该领域的发展，亟待提出能反映动态优化问题复杂特性并且可控的测试集，从而推动动态优化算法在现实问题中的应用。

课题组在IEEE Transactions on Cybernetics上发表了一种生成连续动态优化问题的测试集，同时对现有的测试集进行了全面的综述，并探讨了它们在捕获不同问题特征方面的缺点。该研究提出了高度可配置的基准测试套件，能够生成不同特性的问题实例，且基准生成的组件在梯度，高度，最优位置，条件数，形状，复杂性和变量交互方面是高度动态的。

图2. 具有不同变量交互程度的可控复杂动态优化问题实例

程然助理教授为通讯作者，Danial Yazdani博士为论文第一作者，其他合作者包括英国华威大学Juergen Branke教授。南方科技大学为第一单位。

（4）随着计算智能方法在更广泛的应用问题上的使用，其从问题本身学习的能力亟待增强。为此，越来越多的工作提出使用机器学习模型来驱动计算智能。通常，这种基于模型的进化算法的性能高度依赖于所采用模型的训练质量。而传统机器学习方法需要大量的训练数据进行模型训练，而且受维度灾难的影响，这类方法通常很难解决维度较高的问题，约束了计算智能方法的应用范畴。

课题组在IEEE Transactions on Cybernetics上发表了一种由生成对抗网络（GAN）驱动的进化多目标算法。在提出的算法中使用生成对抗网络（GAN）强大的生成能力替代传统的交叉变异方法。该方法基于生成学习的角度，从现有数据中学习有潜力的分布模式，从而在训练数据有限的情况下，高效学习问题本身模式，解决问题维度较高的优化问题。该方法的提出为计算智能与深度学习的结合开辟了一条新的道路。

图3. 用于计算智能方法中候选解生成的对抗生成网络模型训练框架

程然助理教授为通讯作者，何成研究助理教授为论文第一作者，合作者包括香港城市大学TAN Kay Chen教授 (IEEE Fellow) 和英国萨里大学金耀初首席教授 (IEEE Fellow)。南方科技大学为第一单位。