👋 关于我
我是 Yuanting Zhong，目前从事进化算法与数据驱动优化方向的研究。
研究兴趣包括：
- Surrogate-assisted evolutionary optimization（代理模型辅助进化优化）
- Expensive multi-objective optimization（昂贵多目标优化）
- Streaming data-driven optimization（流式数据驱动优化）
- Offline data-driven optimization at scale（大规模离线数据驱动优化）
📧 ytalienzhong@gmail.com ｜ 💻 GitHub ｜ 🎓 Google Scholar ｜ 📑 dblp ｜ 📖 Blog Archives
📚 Publications
2026
[1] Yuanting Zhong, Ting Huang, Xiaolin Xiao, Yue-Jiao Gong. “TRACE: A Generalizable Drift Detector for Streaming Data-Driven Optimization,” The 40th AAAI Conference on Artificial Intelligence (AAAI), 2026.
[DOI] [arXiv]
针对流式数据驱动优化（SDDO）中环境分布随时间漂移的难题，提出了一种可泛化的漂移检测器 TRACE。该方法无需依赖特定问题先验，能够稳健地检测多种类型的概念漂移并触发优化器自适应，是 SDDObench 之后我们在 SDDO 算法侧的延续工作。
2025
[1] Yuanting Zhong, Yue-Jiao Gong. “Data-Driven Evolutionary Computation Under Continuously Streaming Environments: A Drift-Aware Approach,” IEEE Transactions on Evolutionary Computation (TEVC), 2025.
面向持续流式环境下的数据驱动进化计算——决策环境数据持续到来且伴随概念漂移，提出一套**漂移感知（drift-aware）**的优化框架，可在线感知环境变化并自适应调整代理模型与搜索策略，在分布持续演化的场景中保持稳定的优化性能。这是我们 SDDO 主线工作中算法侧的代表性成果。
2024
[1] Yue-Jiao Gong, Yuanting Zhong, Hao-Gan Huang. “Offline Data-Driven Optimization at Scale: A Cooperative Coevolutionary Approach,” IEEE Transactions on Evolutionary Computation (TEVC), vol. 28, no. 6, 2024.[DOI]
针对大规模离线数据驱动优化在高维场景下面临的"维度灾难"问题，提出一种基于**合作协同进化（CC）**的求解框架——通过问题分解将高维优化任务拆分为若干低维子问题，由代理模型协同求解，显著提升了仅依赖历史数据、无在线评估条件下的优化效率与求解质量。
[2] Yuanting Zhong, Xincan Wang, Yuhong Sun, Yue-Jiao Gong. “SDDObench: A Benchmark for Streaming Data-Driven Optimization with Concept Drift,” Genetic and Evolutionary Computation Conference (GECCO), pp. 184-192, 2024. (Oral)[DOI]
针对流式数据驱动优化（SDDO）这一新兴问题——决策环境随时间发生概念漂移（concept drift）——提出了领域内首个标准化测试基准 SDDObench。基准覆盖多种漂移类型（突变、渐变、循环等）与漂移频率，可用于公平评估 SDDO 算法对环境变化的适应能力。
🔗 博客阅读笔记 →
🔗 更多
欢迎学术交流与合作！
