各位专家下午好，很荣幸有机会在这个地方跟大家共同分享一下我们最近关注的包括我们的一些研究工作，我今天下午的标题是围绕网络训练智能与群集动力学展开的。

我的演讲分六个部分，第一个是上午的专家也介绍了一些人工智能的背景，我简单的再过一下，然后主要围绕神经动力学优化还有网络群体智能展开。

首先我们看一下人工智能，人工智能上午几位专家也讲了，他主要是阿尔法GO热起来的，他上午也讲了在人工智能的研究是从1943年就开始了，他是在会议上提出来的，然后相继以后就有很多围绕应用展开的，这个就是阿尔法GO，阿尔法GO他主要就是能就是平面上的像象棋和围棋下一个点的选择的时候是固定的，解决这一类问题的话，现在人的话是做不赢电脑的，因为人工智能中国不是喜欢打麻将吗？如果用人工智能打麻将会保证每次对会赢吗？如果像打麻将这样的问题用人工智能来解决的话还是会遇到很多的挑战的。

人工智能主要是研究开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，它企企图了解人的反映的系统。他应用的也是十分广泛的，可以在生活、生产科技的各个方面，比如说辅助医疗都有很多的应用，如果是学派的角度他梳理了一下他有符合主义学派，他认为人工智能是起源于人的认知基本的单元就是符号，它也是代表性的成果，这是一个学派，还有行为主义学派是控制的角度，人工智能是起源于控制论，智能取决于感知和行为的，这是也有一些代表性的工作，还有连接主义学派，比如说神经网络，他起源于仿真学与依赖于神经学的成果，他是模仿人脑的，类似于人脑的网络有可能具有人脑的功能，像神经元，他的细胞的大概有10个11次方左右，最典型的就是MP模型等等，实际上早期的像神经元网络是自上而下的，还有一个虽然研究的不断深入就是三个学派是互相交织在一起，各也所长，共同完成推进的，是集成。

这个是我梳理了一下，我国的国家围绕人工智能都推出了很多计划，可以说中国的人工智能迎来了最好的时期，重视的程度我梳理了一下比国外的任何一个国家重视的程度都高，这里面是从国务院、从科技部包括今年的教育部还有国外的话像去年5月份美国的院士大会把人工智能作为专门讨论的，上一个月欧盟委员会向委员议会还有欧洲理事会围绕人工智能的报告，这个也体现了中国和美国、欧洲都开始高度关注这个计划的。

人工智能跟网络科学因为我们也做神经元网络，后面做复杂网络的，实际上是一个交叉学科，他跟自然学科和社会学科都有很多的交叉，从学派的角度就可以看到，逻辑层面、思维层面，诸多的层面，它的核心就是它的思维不制人，我梳理了它充分的交叉性，他依赖于很多的学科及比如说数学系统科学、神经元网络，也就是说网络科学的许多成果和方法也是可以用到人工智能的发展当中来的，这个是人工智能2.0，当时梳理的有主要的研究方向，我们主要是做网络群体智能的，这个就是很多都有了，我们东南大学的网络群体团队的，我们去年是拿到了江苏省网络设施的，我们一开始是做人工神经网络的，现在我们是做复杂网络理论然后是耦合人工神经网络，需要我们考虑各种各样分布式处理的问题，这个就要应用到网络群体智能。

我们针对一些应用的比如说智能电网、智能交通，就是围绕网络系统作为研究对象可以作为是分布式优化、分布式系统还有动力学分析、系统控制优化计算这都是我们关注的主要的方向。

第二个部分我们就简单介绍一下神经网络动力学优化。刚才我前面讲了，作为人力智慧的源泉，人脑是最复杂的，神经网络就是它基本的想法就是具有大脑的网络还有人脑的智能，以模仿人脑的智能开始的，他的体系就是智能寻优的过程。神经动力学优化研究旨在研究各式各样的动力系统的。

它主要是依赖于神经科学，是基于生物的相关性和并行实现性的特点，神经动力学优化逐渐成为为实现实时动态优化的重要途径，我们设计和分析人工神经网络作用实现求解许多实时优化问题的并行计算模型，根据他参数就可以实现各种各式各样网络。

这个是我们通过设计合适的神经网络，可以确保网络的收入到优化问题的精确优解，它优化的问题实际是可以转换为动态方程的，跟优化问题的解可以对应起来。这方面的话在动力学优化方面算是很早的从1986年发了一篇文章，神经动力学优化就是生物和动力脚步解决科学的问题，从1988年的提出非线性神经动力学优化，包括这些专家也提出了很多方法，我们也围绕这个开展了很多工作，做了很多相关的基础。

这个上午也讲过了，人脑是信息处理，他是通过大量的细胞组织起来的，它的动作一定的连接关系形成的网络，它有一些转化的功能，包括有求和、功能转换还有其他神经元。

这个就是动力神经网络模型，像早的（英文）网络就是但层对成全反馈网络，他有离散的形势还有连续的形势，它的状态可以化为非线性的动力系统，神经网络的研究有哪些好处呢？一个是神经网络的结构还有计算方法就是模拟人的大脑的，另外他可以用电子线路可以实现，所以他是人工智能的一个方法，还有一个优点是什么？他有并行处理的能力，这就为我们求解大规模分布式优化提供了可能。

它还有其他一些方法上的优点，他有一个相当于我们通常可以把一个优化问题转化为动态方式，他的稳态解可以对应他的优态解的，这里面联想机遇或者优化目标的解，只有你的神经网络根据参数设计好了他可以自动把你的优化解找到。

还有像微分系统，可以处理它的优化问题，这个是我们可以用电子电路设计的，那么神经的信号可以优化还可以有很多应用，比如说求解系数表示的问题，如果加入我们处理系数表示的话我们找了一个X，这个也是动力学优化可以解决的，还有可以走向修复，像这个系数表示的问题的话，实际上这个0范数优化问题是很困难的，很难找到其全局最优解。

这里面的话还要涉及到一个，这个是0范数，在数学里面大家知道的，这个教授被誉为当今最牛的数学家，他有一个问题，他在2006年的时候跟一个学者合作证明了在0范数的优化问题在一定的情况下可以转为1范数的问题，为什么0范数转为1范数有什么大规模的实现呢？这个是我们刚才讲的可以设计一个神经网络求解系数表示问题，这个可以转化为动态方程，然后可以做的，另外还可以做数据提取，这里面就是KWTA的方法，还有胜者为王的，这个是可以做的，我们也可以转换为优化问题，我们按照一定的方法可以转换为动态方程，用电路可以实现，然后实时的可以把这类输入信号找出来，这个也是神经动力学优化的方法，这个就是我们实时4个。这个是神经动力学优化的。

下来我进一下群集网络分布式优化，就是我们考虑相当于我们讲神经网络的优化应用，如果在分布式计算的网络里面，一个是动态计算机还有云端的，如果处理一个优化问题解的话他的速度是快了很多，这个地方从表的时候节闲适了群集网络分布式优化。

我们考虑这个问题，智能电网还有云端的一些分配，还有电的一些智能分配，包括优化处理的整合，包括金融投资、物流管理这里面都要用到网络的分布式优化，分布式优化我们也可以按照我们刚才讲的可以把它用微分系统描述群集网络模型，可以定型地分析系统的一致性等动态行为，并保证全局一致收敛到优化问题的最优解，提高分布式资源的利用率，耦合在一起以后就可以到底群集了，这个我们满足的是边界挑战，还用到了微分包含的知识。我们也可以考虑这个群集神经网络的方法，就相当于我们每一个物体都有一个优化目标，我们加起来就有一个整的优化目标，布头的网络之间有耦合，他的基本思想就是每一个神经网络满足部分的优化目标，就是要满足部分的条件，他的方程有动态解，这个动态解就是我要找的整体优化问题的解，这个也是可以通过电路实现的，我这就是讲的群集之间，构造模型，通过信息交换对复杂的问题进行分布式求解。

这个是我们举的一个例子，我们进行多个处理，豪语多核处理器进行并行计算求解。

它也有一些问题，是最优配制问题，就是所有的粉色和绿色的长度和最小，我们也可以把它转换为动态方式，这是分布式优化的末新，我们也可以实时把这个点选出来的，这个是分布式模型可以解决资源配置的问题。

    下面我们再讲一下网络群体智能第四个部分，网络群体智能协同学习与控制，在自然界里面需要固体都是通过相互耦合形成的一个固体的网络系统，个体之间通过协同完成复杂的任务。

 在一些更大的工程实际当中也可以得到很好的应用，智能交通，大规模传感器网络协同感知，自主驾驶都可以找到他们的应用。

现在国内外也是热点了，比如说围绕人工智能的它历史专刊，围绕这个有很多专刊，这一个问落群体智能有很多科学领域，包括委员大数据的方向也是有的，这些都是生物群体一些行为，所以说雁群可以形成一字形，鹿中的个体可以根据临近的其他鹿调整自己行动的方向，包括蚂蚁群。

一群体智能它是研究重要的人工智能系统，主要是解决1+1大于2，整个全体制网络具有单个群体不具有的能力，我们在搞复杂系统的时候也有1+1小于2，1+1小于2原来一部分的上升了。有很多的研究方向。

 我们以脑信号为例说话在网络特征在模式识别中应用的，有数据分析、智能控制、辅助医学都可以的，还有我采集，我提取了脑电64革新号，根据这些信号构建不同的复杂网络，根据不同的网络就对应不同信号的类型，这里面可以引导网络信号的特性，小直径无尺度，都可以在脑电信号里面可以反映的。

刚才是简单讲了一下提取的，下面我们再简单的介绍一下我们实验室里面研究，这个是我们团队的方向，我们有一个江苏省的网络重点实验室，我们实验室主要就是以网络群体智能，一个是做理论研究，还有还做一点工程开发，包括人才培养，我们准备定的目标就是要发展一套系统的群体智能的理论和方法，并且把它应用到智能交通、智能通信还有智能电网的平台里面，我们引进的有3个方向，一个方向就是神经网络群体智能方法，因为我们早期是做神经元网络的，所以这一块我们仍然没有把它丢掉，就是连接主义一块的，人工智能的基础模型从神经网络出发的，特别是耦合神经网络理论，这作为我们一个方向。

第二个就是智能学习与协同控制，这一面我们就准备建立系统的网络群体智能协同控制里，来解决一些分布式学习、干扰控制、通讯受限控制包括编队定位、然后用到智能电网、智慧城市，像我们最近一两年都是围绕智慧城市和智能交通开展工作的，前面还做了一些把我们的理论用到智能电网上，最近主要是在关注的就是把我们的理论用到智能交通、智慧城市里面开展了一些工作，也有初步的一些进步。

还有一块就是智能的信息挖掘与决策优化，刚才我前面讲了很多就是神经动力学优化，有的人感觉我这个名字起的有点怪，整个在研究的时候一般我们研究会涉及到什么呢？建模、分析，有的性能是你满足的，有的性能不是你控制的，这个时候我们就要引入各种各样控制的方法，我们还要评估一些性能、参数的好坏，要涉及到优化的一论选择，建模分析控制优化，我们从设计里来还要回到设计里面去，还有人加计算，计算也可以放到优化大的范围里，我们在真正的实际当中，我们碰到很多的实际问题碰到的就是要么我是一个动力学的问题，动力学的问题不一定就是你讲的一定要是动力系统，动力系统问题如果你从简单的来看，如果我从数学角度，如果说粗浅一点只要跟时间隐患相关的就是动力系统，很多来自实际的问题里面，最后都跑不掉一个是动力学的问题，还有一个是优化的问题，这两个问题为什么很多人喜欢招一点数学的人进去呢？还有一个数据处理，也需要数学人介入的，刚才我前面跳的多，我再回过头梳理一下，一个是我们在研究的时候可以分成5个步骤及我们的研究工作者可能在某一个方面开展研究工作，我们讲动力学优化。我的很多优化问题可以按照一定的方法可以转为动态方程，他的稳态解可以对应他优化解，这个就是我前面讲的动力学优化的一些方法。

刚才因为时间短我就没有展开的过多，我就简单介绍到这个地方，谢谢大家。