香港理工大学全奖博士项目（Ran Cheng教授）

一、导师简介

香港理工大学数据科学与人工智能系副教授Ran Cheng，在人工智能与优化算法的交叉领域耕耘多年。他的学术足迹横跨中外，先是在东北大学获得计算机科学与技术学士学位，后赴英国萨里大学深造，取得哲学博士学位。

迄今，Ran Cheng教授已产出136项经同行评审的研究成果，其中包括84篇期刊论文、43篇会议论文、3篇社论和3篇综述文章。其研究方向具有显著的跨学科特色，主要围绕进化多目标优化、脑机接口、脉冲神经网络及可视化分析展开，尤其在算法的硬件适配与效率提升方面造诣深厚。需指出的是，公开渠道中关于其h-index与引用量的原始数据存在格式偏差，综合其顶刊发表数量与领域认可度判断，这些指标在同领域学者中处于较高水平。

二、近期文章和项目解析

2.1 核心文章研究重点

（1）脑机接口边缘部署优化

2025年，Ran Cheng教授团队在*Human Brain and Artificial Intelligence - 4th International Workshop, HBAI 2024, Proceedings*发表《Benchmarking Neural Decoding Backbones Towards Enhanced On-Edge iBCI Applications》一文，直面植入式脑机接口的边缘设备应用难题。实验室环境下的iBCI神经解码多依赖工作站，无法满足日常使用需求，而边缘设备部署又必须应对计算量、速度与精度的三重考验。

该研究以非人灵长类的随机抓取任务为实验对象，对GRU、Transformer、RWKV和Mamba四种神经解码骨干模型进行了全面评估。研究发现，RWKV与Mamba模型不仅推理速度与校准效率更优，还符合缩放定律——模型规模与数据集扩大时性能随之提升；相比之下，Transformer模型的计算资源需求过高，难以适配边缘环境。这一结论为iBCI技术走出实验室、进入可穿戴设备领域提供了重要技术支撑。

（2）进化优化的硬件加速创新

《Bridging Evolutionary Multiobjective Optimization and GPU Acceleration via Tensorization》一文于2025年被*IEEE Transactions on Evolutionary Computation*接收，旨在解决传统进化多目标优化算法在大规模场景中的计算瓶颈。水资源分配、电力系统规划等现实问题本质上都是多目标优化问题，这类问题存在多个相互冲突的目标，无法找到单一最优解，只能寻求帕累托最优解集，但传统算法依赖CPU运行，处理大规模问题时效率低下。

此项研究提出采用张量化技术，将优化算法的核心数据结构与算子全部转化为张量形式，从而充分发挥GPU的并行计算优势。类似技术在TensorRVEA算法中已实现千倍级加速，由此可推测，该研究将进一步推动进化优化算法在工业级复杂问题中的应用。同期被该期刊接收的《MetaDE: Evolving Differential Evolution by Differential Evolution》，通过微分进化算法的自进化机制提升优化性能，两篇文章共同构成了“算法创新+硬件加速”的双维度研究体系。

（3）脉冲神经网络的能效突破

2025年，*IEEE Transactions on Neural Networks and Learning Systems*刊发了Ran Cheng教授团队的《Efficient Deep Spiking Multilayer Perceptrons With Multiplication-Free Inference》，聚焦脉冲神经网络的实用化障碍。脉冲神经网络模拟生物神经元的脉冲传输机制，具有低功耗优势，但传统训练算法复杂，推理效率偏低。

该研究设计了无乘法推理的深度脉冲多层感知器结构，通过简化计算逻辑减少硬件资源消耗。这与2025年类脑脉冲大模型的发展方向高度吻合——例如SpikingBrain-1.0通过稀疏机制实现了推理效率的数量级提升，印证了该研究方向在边缘智能设备中的应用潜力。2024年，该团队在同一期刊发表的《Accurate and Efficient Event-Based Semantic Segmentation Using Adaptive Spiking Encoder–Decoder Network》，将脉冲神经网络与事件驱动计算相结合，进一步拓宽了其在计算机视觉领域的应用场景。

（4）优化过程的可视化分析

2024至2025年间，Ran Cheng教授团队在*IEEE Transactions on Visualization and Computer Graphics*等期刊发表多篇论文，搭建起多目标优化的可视化分析体系。《ParetoTracker: Understanding Population Dynamics in Multi-Objective Evolutionary Algorithms Through Visual Analytics》与《A Comparative Visual Analytics Framework for Evaluating Evolutionary Processes in Multi-Objective Optimization》均以进化算法的动态过程为分析核心，借助可视化工具揭示种群演化规律。

这类研究有效破解了传统优化算法的“黑箱”困境——研究者可通过帕累托解集合的动态变化，直观判断算法的收敛性与多样性，为参数调优提供直接依据。2025年发表于*IEEE Computational Intelligence Magazine*的《ParetoLens: A Visual Analytics Framework for Exploring Solution Sets of Multi-Objective Evolutionary Algorithms》，进一步实现了对优化结果的深度挖掘，增强了分析过程的交互性。

2.2 研究特色与学术价值

Ran Cheng教授的研究成果多发表于*IEEE Transactions on Evolutionary Computation、IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Visualization and Computer Graphics等IEEE旗舰期刊，以及Information Sciences*等JCR Q1区期刊，这些平台均是相关领域的权威学术阵地。

其研究形成了清晰的“算法创新-硬件适配-场景落地”逻辑链条：以进化算法与神经网络的理论突破为基础，结合张量化、无乘法推理等硬件加速技术，最终应用于脑机接口、语义分割等实际场景。这种研究模式既保证了学术深度，又具备明确的工程应用价值，与香港理工大学侧重应用研究的办学定位高度契合。

三、未来研究预测

3.1 边缘智能与脑机接口的深度融合

脑机接口技术正从实验室向临床转化，边缘设备的实时处理能力成为关键制约因素。基于Ran Cheng教授在神经解码骨干模型基准测试方面的研究，未来其团队或聚焦两大方向：一是轻量级解码模型的压缩优化，结合2025年主流的参数高效微调技术（如LoRA、Dobi-SVD），在保障精度的同时缩减模型体积；二是多模态神经信号融合解码，将运动意图与生理状态信号相结合，增强脑机接口系统的鲁棒性。这一发展方向与2025年脑机接口技术向实际应用转化的行业趋势高度一致。

3.2 进化优化与大模型的协同创新

2025年发表的《Evaluation of Large Language Models as Solution Generators in Black-Box Optimization》，已初步探索了大语言模型在黑箱优化中的应用价值，但最新研究表明，随着模型规模扩大，黑箱优化方法的效果呈现逆缩放趋势。由此推测，Ran Cheng教授团队可能进一步研发“大语言模型+进化算法”的混合框架：利用大语言模型的先验知识生成初始解，再通过进化算法进行局部寻优，实现全局探索与局部收敛效率的兼顾。结合其在GPU加速领域的技术积累，该框架有望实现大规模优化问题的实时求解。

3.3 脉冲神经网络的工业化落地

脉冲神经网络的低功耗优势在边缘设备中具有独特价值，但目前仍面临训练复杂、兼容性不足等问题。基于团队在无乘法推理与事件驱动分割方面的研究基础，未来可能重点攻克两大难题：一是构建通用的ANN-SNN转换框架，降低现有深度学习模型向脉冲神经网络迁移的成本，类似于2025年提出的“仅推理级复杂度”转换方案；二是开发硬件感知的脉冲神经网络架构搜索方法，结合具体芯片特性优化网络结构，实现算法与硬件的深度协同。这一方向将直接对接工业界对低功耗AI芯片的迫切需求。

3.4 优化可视化的智能化升级

现有可视化框架主要依赖人工交互分析，未来或引入智能分析模块：通过小样本学习训练分析模型，自动识别进化算法中的异常收敛模式；结合自然语言交互接口，实现“问题描述-可视化方案-优化建议”的全流程自动化。这种智能化升级将显著降低优化算法的使用门槛，推动其在工业设计、资源规划等非科研领域的普及。