隨著科學研究和工業應用中問題規模與復雜度的持續攀升，傳統優化方法正面臨前所未有的挑戰。無論是進化算法、群體智能還是數學規劃技術，在應對高維空間、動態環境及計算密集型任務時，往往表現出效率不足、適應性受限等短板。這一背景下，機器學習（ML）與優化領域的深度融合正催生新一代智能優化范式，為突破傳統瓶頸提供了全新路徑。
近年來，深度學習、強化學習、貝葉斯優化等技術的突破性進展，為優化算法注入了前所未有的智能基因。通過挖掘問題空間的隱含模式、構建復雜映射模型以及開發代理模型，機器學習正推動優化方法從隨機探索向智能引導轉型。例如，在計算流體動力學（CFD）和分子對接等計算成本高昂的領域，基于ML的代理模型可顯著降低評估開銷，使原本難以處理的復雜問題變得可解。更值得關注的是，學習增強型優化器在動態環境中展現出實時自適應能力，為自動駕駛、智能調度等自主系統的發展奠定了基礎。
當前學術界正經歷從傳統優化策略向學習感知型框架的范式轉移。這一變革的核心在于利用機器學習揭示問題結構特征，從而指導優化過程的高效進行。例如，通過強化學習動態調整元啟發式算法的參數，或利用生成對抗網絡（GANs）修復不可行解，均體現了智能優化技術的創新突破。長遠來看，這一趨勢將推動"智能優化學習"概念的落地——即由機器學習自主完成算法選擇、配置與協同，最大限度減少人工干預。
為系統梳理該領域最新進展，《Tsinghua Science and Technology》期刊特推出專題征稿，聚焦機器學習與優化技術的深度集成。征稿范圍涵蓋四大方向：一是學習驅動的優化算法創新，包括代理輔助進化計算、深度增強元啟發式方法等；二是優化器中的ML技術應用，如搜索空間表征學習、解決方案質量預測模型等；三是面向復雜問題的智能優化，涉及大規模多目標優化、動態約束優化等場景；四是實際應用與評估體系構建，涵蓋工業4.0、藥物研發、可持續能源等領域的案例研究及新型基準測試集開發。
本專題歡迎原創性研究成果，尤其鼓勵提交突破傳統方法局限、展現學習驅動優化獨特價值的論文。投稿需通過期刊在線系統提交，截止日期為2026年6月30日。所有稿件將經歷嚴格的同行評審流程，優秀論文將獲得快速出版通道。
《Tsinghua Science and Technology》由教育部主管、清華大學主辦，是信息科學領域具有國際影響力的綜合性學術期刊。創刊于1996年，由中國工程院院士孫家廣教授擔任主編，重點刊載人工智能、大數據、通信工程、控制科學等方向的原創研究成果，致力于搭建高水平學術交流平臺。期刊主頁及投稿系統可通過訪問https://mc03.manucentral.com/tst獲取詳細信息。
