马连博  (教授)

课题组研究方向主要分为：

1. 神经网络架构搜索与计算智能

2. 工业互联网与边缘计算

3. 具身智能与大模型

4. 视觉检测与自然语言处理

方向1：神经网络架构搜索与计算智能 (多目标优化、大规模优化、数据驱动优化、神经架构搜索（NAS）、深度网络模型压缩与加速)；

成果：开展了大规模（高维）多目标优化方法及NAS应用研究，成果发表于IEEE Trans. on Computers (2023,2024，2025， CCF A类)， IEEE Trans. on Evolutionary Computation (2022，2023，2025), IEEE Trans. on Cybernetics (2021，2021); 提出了新型的神经网络轻量化模型以及混合精度量化方法，成果发表于AAAI， ICML, NeurIPS, ICCV等 CCF A类顶会; 设计了面向复杂工业优化场景的进化优化算法及多目标优化算法，能够高效处理带有强约束的工业生产调度问题，成果发表于IEEE Trans. on Cybernetics (2021), IEEE Trans. on Evolutionary Computation (2026).

研究小组1：7人（1名教师+2博士生+5硕士生）

方向2：工业互联网与边缘计算（云边协同资源分配、边缘智能、联邦学习优化）；

成果：开展了基于云-边-端协同的任务编排与资源分配机制研究，成果发表于 IEEE Trans. on Networking (2025,2025, CCF A类)，IEEE Trans. on Mobile Computing (2021,2023， CCF A类)、IEEE Trans. on Service Computing (2026，CCF A类); ,研究了联邦学习激励机制、联邦可持续学习、高效联邦训练等，成果发表于 IEEE Trans. on Networking (2026)， IEEE Trans. on Mobile Computing (2025，2026)，ICML 2026.

研究小组2：4人（1名教师+1博士生+2硕士生）

方向3：具身智能与大模型（具身智能大小脑系统、面向机械臂的工业具身智能控制系统、大模型微调、智能体协同、大模型RAG）；

成果：开展了面向工业机械臂的工业具身智能系统研发，已形成原型系统，可应用于物流、装配、生产等工业场景；研究视觉大模型微调技术，开发大模型智能体及RAG系统，可落地应用于先进制造、智慧矿山、数字医疗等领域。

研究小组3：4人（1名教师+1博士生+2硕士生）

方向4：视觉检测与自然语言处理（3D视觉异常检测、3D异常生成，多模态学习、知识表示，知识图谱）；

成果：本工作以计算机视觉与自然语言处理为两大基座技术，聚焦二者在智能工业应用中的深度融合。通过构建“视觉—语言”协同的智能认知系统，实现工业任务的智能化执行。成果发表在EEE TIP期刊I (CCF A类)及AAAI2025、CVPR2026、ACM MM2026等CCF A类顶级会议上。

研究小组4：6人（1名教师+1博士生+5硕士生）