中國數學家印臥濤榮獲優化領域 Egon Balas 獎，現任職於阿里巴巴達摩院
運籌學和管理學研究會（INFORMS）優化協會近日宣佈，將 2021 年度 Egon Balas 獎授予中國數學家印臥濤，以表彰其在優化領域做出的突出貢獻。印臥濤曾是加州大學洛杉磯分校數學系終身教授，現任職於阿里巴巴達摩院，負責決策智慧實驗室，他也是 2021 年度全球 top1% 高被引的數學家。
運籌學和管理學研究會優化協會
運籌學和管理科學研究會（INFORMS）是全球規模最大、影響力最強的運籌學和管理科學領域學術組織。運籌學的核心之一是優化（Optimization），所以 INFORMS 下設了優化領域的專業協會，針對現實生活生產中的複雜問題，利用數學找出最優解，為決策提供科學依據，華羅庚親自推廣的優選法就是其中典型。
優化橫跨運籌學、數學、經濟學、管理學等多個學科，也是時下火熱的人工智慧最核心的部分，具有重要的科研和應用價值，是國際上優化領域最重要的專業協會。
Egon Balas 獎
Egon Balas 是羅馬尼亞出生的整數規劃大師，後任教於美國卡內基梅隆大學，在運籌優化領域做出了巨大貢獻，2006 年當選美國國家工程院院士，2019 年去世。
為了紀念 Egon Balas，INFORMS Optimization Society 在 2020 年以其名字設立了該獎項，每年頒發給在優化領域做出突出貢獻的個人。獲獎者必須在其最終學位的 15 年內。該獎項是對獲獎者在優化領域的創新性和影響力的認可，包括其理論、演算法和計算。該獎項包括 3,000 美元的現金和一份證書。獲獎者將被邀請在頒獎當年的秋季 INFORMS 年會上發表演講。
Egon Balas 獎旨在獎勵對優化做出突出貢獻的中青年學者 (獲得最高學位不超過 15 年)，每年全球僅評選一人。
印臥濤獲獎
▲達摩院數學家印臥濤
印臥濤本科畢業於南京大學數學系，博士畢業於哥倫比亞大學運籌專業，曾是加州大學洛杉磯分校數學系終身教授，2019 年加入阿里巴巴達摩院，主持建立了決策智慧實驗室，帶領團隊打造出中國首個免費開放的商用求解器 MindOpt，多次獲得國際權威榜單第一名。並先後獲得了 NSF CAREER 獎、斯隆研究獎、晨興應用數學金獎以及達摩獎。全球知名學術分析機構科睿唯安（Clarivate Analytics）上週公佈了 2021 年度全球 top1% 高被引數學家名單，印臥濤名列其中。
在成像科學領域，印臥濤發明了壓縮感知和影象恢復的快速優化演算法，包括當下廣泛使用的 Bregman 演算法，能較大幅度提升核磁共振、CT、腦成像等眾多場景下的成像質量，信噪比提升數分貝。頒獎詞中提及的運算元分裂，是將複雜數學問題分解為一組簡單子問題，屬於數學領域的基礎方法。印臥濤和學生髮現了第一個可以用於分解三單調運算子而不增加變數維度的方法，被學界稱為 Davis-Yin Splitting，對運算元分裂的發展做出了突破性貢獻。
過去 10 年左右，印臥濤在大資料問題的分散式並行優化方面完成了多項優秀工作。他的演算法 Jacobi ADMM 可在幾分鐘內解決涉及多個塊和數百 GB 資料的 ADMM 優化模型。他是 2013 年 NSF（美國自然科學基金）大資料啟動會議的三位討論負責人之一。最近幾年，印臥濤研究了非同步平行計算的理論。他與學生一起提出一個 ARock 演算法框架，可以讓一個多執行緒演算法在資訊擁堵而執行緒不等待的狀況下依然保證嚴格收斂，框架內的許多並行方法可以從非同步並行中受益。
印臥濤的工作涵蓋了從理論分析到實用演算法，再到程式碼開發。他是運算元分裂方法、並行和分散式計算、無中心優化、壓縮感知和變分影象處理領域世界上最有影響力的研究者之一。而這些領域的快速發展對機器學習和資料科學尤為重要，他對這些領域的貢獻，尤其是對成像科學的貢獻，為高效優化演算法注入了理論嚴謹性，並過去 15 年左右的時間裡產生了持久的影響。
印臥濤與求解器 MindOpt
2019 年印臥濤加入阿里巴巴達摩院，主持建立了決策智慧實驗室，帶領團隊在短短一兩年之內開發出商用級別的優化求解器 MindOpt，多次在國際權威的 Mittelmann 榜單獲得第一名。
求解器是求解數學規劃問題的軟體，廣泛應用於雲端計算、零售、金融、製造、交通、能源等領域，是深埋於智慧決策場景底層的“終極利器”。由於技術壁壘高，幾十年來，高效能商用求解器技術始終由少數歐美企業主導。早前 AI 科技評論對我國研究求解器也有相關報道。
印臥濤團隊開發出求解器 MindOpt，首先用於阿里雲端計算資源排程優化，一年節省成本數億元。2020 年 12 月底，求解器向社會免費開放測試，是國內首個免費開放的商用求解器，目前已能夠用單純形法、網路流法、內點法來解決線性規劃問題。2021 年 10 月 MindOpt 進行重要升級，新增了極具挑戰的黑盒優化功能，主要針對優化目標和約束條件無直接描述的黑盒複雜系統，可謂是解決“難中之難”。