电子信息工程学院何兴教授作为第一完成人《面向复杂约束的神经动力学优化理论与软硬件仿真技术》申报2026年度中国仿真学会科学技术奖——自然科学奖二等奖。现予以公示。
一、公示期限：2026年5月12日至5月16日。
二、意见受理单位及联系方式：
受理单位：电子信息工程学院
所在二级单位受理电话：02368250394
受理联系人：何沐曦
电子邮箱：hemuxi@swu.edu.cn
反映情况的要求：（一）公示期内，如对公示对象有异议的，请以书面信函的方式向所在二级单位纪委反映。（二）反映人要用真实姓名、反映情况要求实事求是，真实、具体。
三、项目名称
面向复杂约束的神经动力学优化理论与软硬件仿真技术
四、申报奖项
中国仿真学会科学技术奖——自然科学奖二等奖
五、项目简介
随着人工智能、工程优化、智能控制等领域的快速发展，复杂约束下的优化问题求解对算法精度与实时性提出了更高要求。大量实际问题具有非凸、非光滑、分布式或高维结构，传统数值优化方法易陷入局部最优且难以硬件实现。诺贝尔物理学奖获得者John Hopfield教授提出的神经网络优化框架为神经动力学优化奠定了基础，但面向复杂约束（非凸、非光滑、分布式、多尺度）的神经动力学理论与仿真技术仍需进一步发展。 过去十余年，项目团队围绕神经动力学优化理论与软硬件仿真技术开展系统研究，在集中式复杂优化、分布式协同优化及硬件电路仿真方面取得了一系列进展。主要贡献如下：
（1）集中式神经动力学优化理论与算法仿真
针对双层线性规划问题，提出基于罚函数法与微分包含的单层递归神经网络，减少了状态变量数量并简化了网络结构。针对变分不等式及非凸优化问题，引入惯性项设计惯性投影神经网络，可缓解传统梯度下降类方法收敛速度慢、易陷入局部最优解的问题。针对双凸与双线性优化问题，构建双时间尺度双工神经动力学系统，利用两个不同时间尺度的递归神经网络协同工作，并采用元启发式规则动态更新初始状态，用于避免算法陷入局部最优。针对非负矩阵分解问题，设计离散时间投影神经网络，给出了算法收敛的步长上界条件，保证了算法的稳定性与收敛性。
（2）分布式多智能体优化与加速仿真
针对分布式资源分配与共识优化问题，提出基于多智能体网络的连续时间分布式算法，允许每个智能体不仅与一阶邻居交换信息，还可利用二阶邻居信息，从而以较少的状态变量实现共识优化，并放宽了对网络拓扑需强连通和权重平衡的要求。进一步，结合Nesterov加速技术与原始-对偶框架，设计分布式加速原始-对偶神经动力学方法，通过引入变量加权平均和导数反馈等策略，在一般凸资源分配问题上实现了O(1/t²)的原始-对偶间隙收敛速率。
（3）神经动力学算法硬件电路仿真
针对理论算法向工程应用转化中的实现问题，提出基于FPGA的神经动力学算法硬件仿真框架，设计了计数单元、路径选择单元和计算单元等模块化结构，可对有限时间和固定时间收敛的神经动力学算法进行配置与拓展的硬件仿真。针对含有非光滑正则项的复合优化问题，设计基于近端投影神经网络的模拟电路框架，在电路层面实现了软阈值算子对l₁范数的映射，并通过理论分析证明了电路输出电压的全局稳定性。
项目涵盖了从集中式非凸优化、分布式加速优化到硬件电路仿真的研究链条，形成了“理论—算法—硬件”三位一体的技术体系。
六、代表性论文专著目录
序号 |
论文、专著名称/刊名/作者 |
影响因子 |
年卷页码 |
发表时间 |
是否国内完成 |
通讯作者 |
第一作者 |
WOS核心合集总引次数 |
WOS核心合集他引次数 |
1 |
A Recurrent Neural Network for Solving Bilevel Linear Programming Problem/IEEE transactions on neural networks and learning systems/Xing He(何兴),Chuandong Li(李传东),Tingwen Huang(黄廷文), Chaojie Li,Junjian Huang |
4.291 |
2014年25卷824-830页 |
2014-04-01 |
是 |
李传东 |
何兴 |
104 |
45 |
2 |
An Inertial Projection Neural Network for Solving Variational Inequalities/ IEEE transactions on cybernetics/Xing He(何兴),Tingwen Huang(黄廷文),Junzhi Yu, Chuandong Li(李传东), Chaojie Li |
8.803 |
2017年47卷809-814页 |
2017-03-22 |
是 |
黄廷文 |
何兴 |
108 |
70 |
3 |
A Two-Timescale Duplex Neurodynamic Approach to Biconvex Optimization/IEEE transactions on neural networks and learning systems/Hangjun Che(车杭骏),Jun Wang |
8.793 |
2019年30卷2503-2514页 |
2019-08-08 |
是 |
王钧 |
车杭骏 |
68 |
43 |
4 |
A Nonnegative Matrix Factorization Algorithm Based on A Discrete-time Projection Neural Network/Neural networks/Hangjun Che(车杭骏),Jun Wang |
5.785 |
2018年103卷63-71页 |
2018-06-05 |
是 |
王钧 |
车杭骏 |
57 |
26 |
5 |
A Continuous-Time Algorithm for Distributed Optimization Based on Multiagent Networks/IEEE transactions on systems man cybernetics-systems/Xing He(何兴),Tingwen Huang(黄廷文), Junzhi Yu,Chaojie Li |
9.309 |
2019年49卷2700-2709页 |
2019-12-20 |
是 |
黄廷文 |
何兴 |
55 |
43 |
6 |
Distributed Accelerated Primal-dual Neurodynamic Approaches for Resource Allocation Problem/Science china(Technological sciences)/You Zhao(赵友), Xing He(何兴),Junzhi Yu,Tingwen Huang(黄廷文) |
4.4 |
2023年66卷3639-3650页 |
2023-11-26 |
是 |
何兴 |
赵友 |
7 |
5 |
7 |
FPGA Implementation for Finite-Time and Fixed-Time Neurodynamic Algorithms in Constrained Optimization Problems/IEEE transactions on circuits and systems I-regular papers/Jiahao Zhang, Xing He(何兴),Gui Zhao, Tingwen Huang(黄廷文) |
5.2 |
2023年70卷3584-3597页 |
2023-07-13 |
是 |
何兴 |
张家豪 |
9 |
7 |
8 |
Circuit Implementation of Proximal Projection Neural Networks for Composite Optimization Problems/IEEE transactions on industrial electronics/Jintao Wu,Xing He(何兴),Youcheng Niu, Tingwen Huang(黄廷文), Junzhi Yu |
7.2 |
2023年71卷1948-1957页 |
2023-09-03 |
是 |
何兴 |
吴金桃 |
16 |
14 |
七、主要完成人
何兴，车杭骏，赵友，李传东、黄廷文
八、主要完成单位
西南大学，深圳理工大学
电子信息工程学院
2026年5月12日
