经典 DE 的算子简单，但固定的 $F$ 与 $CR$ 不容易兼顾不同问题和搜索阶段。Zhang 与 Sanderson 在 2009 年提出 JADE，将精英引导、可选外部档案和成功参数反馈结合起来。下文采用连续单目标最小化记号。

Brest、Maučec 与 Bošković 于 2017 年提出 jSO。它通过 iL-SHADE 承接 L-SHADE 路线，保留成功历史记忆与线性缩群，同时细化变异权重及参数调度。理解 jSO 的关键是分清“向精英靠近”与“差分扰动”这两部分。

两个差分项不必共享同一个强度

其加权 current-to-pbest 变异可以写为

$$\mathbf{v}_i=\mathbf{x}_i+F_{w,i}(\mathbf{x}_{pbest}-\mathbf{x}_i) +F_i(\mathbf{x}_{r_1}-\widetilde{\mathbf{x}}_{r_2}).$$

SHADE 关注“哪些参数产生了较大改进”。L-SRTDE 进一步突出“当前试验有多大比例能够成功”。Stanovov 与 Semenkin 在 2024 年提出该方法；作者仓库把名称展开为 Linear population size reduction Success RaTe-based adaptive Differential Evolution。

成功率不是平均收益

JADE 把成功参数压缩为一对采样中心。SHADE（Success-History based Adaptive Differential Evolution）由 Tanabe 与 Fukunaga 于 2013 年提出，改用多个历史中心。它主要改变参数控制层，仍沿用 current-to-pbest 变异和外部档案。

两种“记忆”不要混淆

对象	保存什么	在哪里使用
解档案 $A$	被替换的旧父代向量	提供差分供体
参数记忆 $M_F,M_{CR}$	$H$ 组成功参数的统计中心	生成新参数