进化算法每次搜索都会留下经验：哪些参数产生过好解，哪种策略最近更有效，以及一个较差的解怎样变成了较好的解。这些信息除了用于保留当前最优解，还能怎样帮助下一次搜索？

这篇记录整理自 2026 年 9 月 17 日的组会分享，对应 9 月 14—20 日这一周。两篇论文给出了不同的回答：RDE 把反馈用于协调已有搜索策略，LIO 则从历史进化数据中训练一个能够直接提出候选解的网络。把它们放在一起读，关注点就从“又增加了什么组件”转向了“经验以什么形式留下，又影响了哪个搜索环节”。

本周读的两篇论文

1. RDE：重构差分进化。 Tao 等，2024，arXiv:2404.16280v1。关注如何重组已有机制，并根据收益分配搜索资源。
2. LIO：将学习融入进化计算。 Bian 等，Swarm and Evolutionary Computation 95 (2025), 101930。关注如何从成功进化样本中学习，直接生成候选解。

周记记录阅读过程，专题笔记沉淀可以独立复用的方法与结论。同一篇精读只维护一份正文，从周记、研究方向或竞赛条目链接过去。

单篇精读的基本信息

字段	记录内容
论文	标题、作者、年份、发表来源、DOI 或原文链接
研究问题	优化什么，约束是什么，为什么已有方法不足
方法	关键机制、依赖假设，以及相较基线改变了什么
实验	数据或测试集、预算、基线、评价指标与实现版本
证据	对应的图表、章节或页码，以及结论的适用范围
我的理解	疑问、可能的解释、与自己研究的联系
关联	所属周记、研究方向、相关方法、代码或复现实验