收敛更快更准
独创基于Q学习的多变异自适应策略与双参数动态调控机制，让算法在复杂星际轨道优化中全局探索与局部开发更高效地平衡。
彭雷 · Zhuoming, Yuan · 戴光明 · 王茂才 · Tang, Zhe
Swarm and Evolutionary Computation 2023
通过Q学习自适应选择多变异策略，算法能在不同进化阶段采用最合适的探索方式，避免盲目搜索，从而显著提升收敛效率。
动态调控两个触发参数，使算法在全局探索和局部开发之间达到更好的平衡，最终解的质量更高。
在Cassini2和Messenger-full等高度复杂的星际轨道设计问题上表现出更好的性能，说明算法对极端非线性搜索空间具有鲁棒性。