我的研究主要围绕随机建模与仿真、数据驱动优化、以及多智能体系统展开。在此基础上，探索复杂系统中的不确定性量化与决策问题，例如稀有事件的仿真分析、机会约束优化方法的设计，以及结合人工智能的智能决策框架。以下为过去的部分研究课题，供参考：

1. 数据驱动的鲁棒优化与机会约束规划：通过构建一种基于数据学习与不确定性集校准的鲁棒优化框架，用于处理参数未知情境下的风险与性能平衡问题，为机会约束规划问题提供了可验证的可行解；

2. 面向人工智能系统风险评估的稀有事件仿真技术：开发适用于神经网络等复杂模型的稀有事件概率估计方法，实现对极端风险事件发生概率的高效评估，应用于无人驾驶等AI系统的安全验证；

3. 运营管理中的数据驱动优化方法：在报童问题、品类优化等经典运营管理问题中引入在线学习、深度生成式模型等技术，推动数据驱动决策的创新应用。

欢迎对建模仿真、优化方法与人工智能的交叉研究感兴趣的同学联系。每年招收硕士研究生2名、博士研究生1-2名。同时，诚聘具有相关研究背景的博士毕业生加盟团队从事博士后研究工作，对于条件出色的候选人，可提供特任副研究员岗位。

对学生的期望与要求如下：

1. 强烈的求知欲和扎实的学习能力。

2. 为了确保能够顺利开展运筹学领域的研究，希望学生至少在数学或计算机其中一个方面具备出色的能力，并在另一个方面满足基本要求：

数学能力：严谨的逻辑思维和扎实的数理基础（例如在概率论、优化理论或高等数学课程中表现优异）。同时，需要具备基本的编程能力，能够将算法思想实现为代码。

计算机能力： 在数据结构、算法设计与实现方面有突出的能力（例如有优秀的项目经验或竞赛经历）。同时，需要具备基本的数学理解力，能够读懂并理解相关的数学模型。

3. 能够熟练阅读英文文献并具备基础的英文学术写作能力。