学习优化（Learning to Optimize, L2O）是传统优化和机器学习的交叉领域，它利用机器学习的能力来补充或者增强常规的优化技术，也被称为AI4Opt。在真实世界中，同一场景下的优化问题往往具有相同的结构，而L2O利用这些结构可以更快的求解优化问题，甚至得到更好的解。本报告将回顾连续优化和混合整数规划，探讨L2O技术的发展，介绍其如何加速优化算法，快速估计问题的解，或者更改优化问题本身，使其更适应实际应用。 我们也将探讨如何构建一个纯AI的求解算法以及它与当前已知算法的关系。

印卧涛博士，本科毕业于南京大学数学系，后在哥伦比亚大学运筹专业获得博士学位。2006年至2013年任职于莱斯大学，2013年至2021年于加州大学洛杉矶分校数学系担任终身教授。2019年加入阿里巴巴-达摩院-决策智能实验室，带领团队打造出首个由全中国人独立开发的商用求解器、建模语言及开发平台MindOpt。他的研究兴趣包括最优化及其在信号处理、机器学习和其他数据科学问题中的应用。他曾获得NSF CAREER奖、斯隆研究奖、晨兴应用数学金奖、Egon Balas奖以及多个最佳论文类奖项。自2018年起，他被Clarivate Analytics评为前1%的被引用学者。