强化学习辅助差分进化算法

自主调参寻优

通过强化学习与历史成功信息重放，实现差分进化算法变异策略和控制参数的自主调整，提高搜索效率。

曹子建 · Chuhang, Qiao · 王艳娜 · Baolong, Su · Zhihao, Zhang · Tian, Feng

Engineering Applications of Artificial Intelligence 2026

参数信息

对比算法数量

6

测试套件

CEC2015, CEC2017

技术优势

自主调整策略

根据种群状态动态选择变异策略和控制参数，无需人工干预。

利用历史成功经验

通过种群特征重放机制引导参数生成，避免重复探索。

竞争力已验证

在CEC2015、CEC2017和Transformer超参数优化问题上优于六种先进算法。

应用场景

• 连续优化问题：作为黑箱优化器，可求解连续域上的复杂非凸、多峰问题。
• 机器学习超参数调优：自动搜索模型超参数，减少人工调参的时间和计算开销。
• 机械设计优化：用于机械结构参数的寻优，如尺寸、形状等设计变量的优化。
• 电化学系统参数优化：可用于电化学系统模型参数辨识或操作条件优化。