12月5日，我院举办了第58期“数统大讲坛”。本次讲座邀请广东工业大学何伟骅副教授作题为“Learn to solve dominating set problem with graph neural networks”的学术报告。报告聚焦“利用图神经网络求解控制集问题”展开深入探讨，提出了融合深度双Q网络（DDQN）与消息传递网络的创新求解方案，为该领域研究提供了新思路与新方向。

组合优化问题广泛存在于物流调度、资源分配、网络规划等诸多实际场景中，控制集问题作为典型的组合优化难题，其求解效率与精度直接影响相关领域的决策质量。传统求解方法往往面临计算复杂度高、耗时久等瓶颈，难以满足复杂场景下的高效求解需求。

报告指出，近年来神经网络技术在组合优化问题求解中的应用已展现出显著优势，不仅有效提升了求解效率，还能保证求解精度，成为该领域的研究热点。基于此，报告提出采用深度双Q网络（DDQN）训练神经网络，以实现对控制集问题的高效求解。

为精准捕捉图的特征与结构信息——这是求解控制集问题的关键前提，报告明确将消息传递网络引入图表示学习过程。消息传递网络能够通过节点间的信息交互与传递，充分挖掘图的拓扑结构与节点关联特征，为后续的控制集求解提供更精准的特征支撑，从而进一步提升求解模型的性能。

此次学术报告聚焦前沿交叉领域，系统阐述了基于深度双Q网络与消息传递网络求解控制集问题的核心思路与技术路径，不仅展现了神经网络技术在组合优化领域的应用潜力，也为相关复杂工程问题的高效解决提供了重要参考。现场参会人员围绕报告内容展开热烈讨论，就模型优化、实际场景应用等问题进行了深入交流，为后续研究的推进凝聚了共识、拓宽了思路。

专家简介：何伟骅，博士，副教授，广东工业大学数学与统计学院副院长，2008年本科毕业于中国科学技术大学，2014年博士毕业于法国巴黎第十一大学，主要从事图论及其应用、组合优化算法、机器学习的研究工作，主持国家自然科学基金和省部级项目多项。