隨著科學(xué)研究和工業(yè)應(yīng)用中問題規(guī)模與復(fù)雜度的持續(xù)攀升，傳統(tǒng)優(yōu)化方法正面臨前所未有的挑戰(zhàn)。無論是進(jìn)化算法、群體智能還是數(shù)學(xué)規(guī)劃技術(shù)，在應(yīng)對高維空間、動態(tài)環(huán)境及計算密集型任務(wù)時，往往表現(xiàn)出效率不足、適應(yīng)性受限等短板。這一背景下，機(jī)器學(xué)習(xí)（ML）與優(yōu)化領(lǐng)域的深度融合正催生新一代智能優(yōu)化范式，為突破傳統(tǒng)瓶頸提供了全新路徑。

近年來，深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、貝葉斯優(yōu)化等技術(shù)的突破性進(jìn)展，為優(yōu)化算法注入了前所未有的智能基因。通過挖掘問題空間的隱含模式、構(gòu)建復(fù)雜映射模型以及開發(fā)代理模型，機(jī)器學(xué)習(xí)正推動優(yōu)化方法從隨機(jī)探索向智能引導(dǎo)轉(zhuǎn)型。例如，在計算流體動力學(xué)（CFD）和分子對接等計算成本高昂的領(lǐng)域，基于ML的代理模型可顯著降低評估開銷，使原本難以處理的復(fù)雜問題變得可解。更值得關(guān)注的是，學(xué)習(xí)增強(qiáng)型優(yōu)化器在動態(tài)環(huán)境中展現(xiàn)出實(shí)時自適應(yīng)能力，為自動駕駛、智能調(diào)度等自主系統(tǒng)的發(fā)展奠定了基礎(chǔ)。

當(dāng)前學(xué)術(shù)界正經(jīng)歷從傳統(tǒng)優(yōu)化策略向?qū)W習(xí)感知型框架的范式轉(zhuǎn)移。這一變革的核心在于利用機(jī)器學(xué)習(xí)揭示問題結(jié)構(gòu)特征，從而指導(dǎo)優(yōu)化過程的高效進(jìn)行。例如，通過強(qiáng)化學(xué)習(xí)動態(tài)調(diào)整元啟發(fā)式算法的參數(shù)，或利用生成對抗網(wǎng)絡(luò)（GANs）修復(fù)不可行解，均體現(xiàn)了智能優(yōu)化技術(shù)的創(chuàng)新突破。長遠(yuǎn)來看，這一趨勢將推動"智能優(yōu)化學(xué)習(xí)"概念的落地——即由機(jī)器學(xué)習(xí)自主完成算法選擇、配置與協(xié)同，最大限度減少人工干預(yù)。

為系統(tǒng)梳理該領(lǐng)域最新進(jìn)展，《Tsinghua Science and Technology》期刊特推出專題征稿，聚焦機(jī)器學(xué)習(xí)與優(yōu)化技術(shù)的深度集成。征稿范圍涵蓋四大方向：一是學(xué)習(xí)驅(qū)動的優(yōu)化算法創(chuàng)新，包括代理輔助進(jìn)化計算、深度增強(qiáng)元啟發(fā)式方法等；二是優(yōu)化器中的ML技術(shù)應(yīng)用，如搜索空間表征學(xué)習(xí)、解決方案質(zhì)量預(yù)測模型等；三是面向復(fù)雜問題的智能優(yōu)化，涉及大規(guī)模多目標(biāo)優(yōu)化、動態(tài)約束優(yōu)化等場景；四是實(shí)際應(yīng)用與評估體系構(gòu)建，涵蓋工業(yè)4.0、藥物研發(fā)、可持續(xù)能源等領(lǐng)域的案例研究及新型基準(zhǔn)測試集開發(fā)。

本專題歡迎原創(chuàng)性研究成果，尤其鼓勵提交突破傳統(tǒng)方法局限、展現(xiàn)學(xué)習(xí)驅(qū)動優(yōu)化獨(dú)特價值的論文。投稿需通過期刊在線系統(tǒng)提交，截止日期為2026年6月30日。所有稿件將經(jīng)歷嚴(yán)格的同行評審流程，優(yōu)秀論文將獲得快速出版通道。

《Tsinghua Science and Technology》由教育部主管、清華大學(xué)主辦，是信息科學(xué)領(lǐng)域具有國際影響力的綜合性學(xué)術(shù)期刊。創(chuàng)刊于1996年，由中國工程院院士孫家廣教授擔(dān)任主編，重點(diǎn)刊載人工智能、大數(shù)據(jù)、通信工程、控制科學(xué)等方向的原創(chuàng)研究成果，致力于搭建高水平學(xué)術(shù)交流平臺。期刊主頁及投稿系統(tǒng)可通過訪問https://mc03.manucentral.com/tst獲取詳細(xì)信息。