01
进化算法概述
从生物进化到算法，核心概念（种群、个体、基因、适应度），算法流程框架。
基础框架
02
参数调优的意义
为什么需要调参？参数对算法性能的影响，过拟合与欠拟合在进化算法中的体现。
动机影响
03
种群大小设置
种群规模对搜索能力的影响，小种群 vs 大种群，实战经验与推荐范围。
规模经验
04
交叉概率调优
交叉概率的作用，高交叉率 vs 低交叉率，如何通过实验确定最佳值。
交叉实验
05
变异概率调优
变异概率的平衡艺术，防止早熟收敛，自适应变异策略。
变异自适应
06
选择策略调优
轮盘赌、锦标赛、精英保留，不同选择压力下的表现。
选择压力
07
遗传算子组合
交叉与变异的协同，不同算子组合的对比实验。
算子协同
08
适应度函数设计
适应度标定、缩放、共享机制，如何避免适应度欺骗。
适应度设计
09
终止条件设置
最大代数、适应度停滞、收敛判据，如何选择终止条件。
终止收敛
10
编码方式选择
二进制编码、实数编码、排列编码，不同问题的编码策略。
编码策略
11
网格搜索法
暴力调参的原理，优缺点分析，适用场景。
网格暴力
12
随机搜索法
蒙特卡洛调参，与网格搜索的对比，何时使用。
随机蒙特卡洛
13
贝叶斯优化调参
高斯过程代理模型，采集函数（EI、PI、UCB），实战案例。
贝叶斯代理
14
遗传算法调参（GA for GA）
元进化思想，用进化算法优化进化算法参数。
元进化GA
15
粒子群算法参数调优
惯性权重、认知系数、社会系数的调优策略。
PSO系数
16
差分进化算法调优
缩放因子F、交叉率CR的调优，自适应DE变体。
DEF/CR
17
模拟退火调参
温度衰减策略，与进化算法的混合调参。
退火混合
18
超参数自动调优框架
Optuna、Hyperopt、Ray Tune的使用。
框架自动
19
多目标参数调优
Pareto前沿，NSGA-II在参数调优中的应用。
多目标Pareto
20
参数敏感性分析
Sobol方法、Morris方法，识别关键参数。
敏感性Sobol
21
响应面法调参
多项式回归、径向基函数，构建参数-性能曲面。
响应面曲面
22
强化学习调参
DQN、PPO用于动态参数调整。
强化学习动态
23
在线自适应调参
参数在运行中动态调整，自适应策略设计。
在线自适应
24
离线调参 vs 在线调参
适用场景对比，混合策略。
离线在线
25
并行调参加速
多进程、分布式计算，加速参数搜索。
并行加速
26
调参可视化
参数空间热力图、收敛曲线、参数轨迹图。
可视化热力图
27
案例实战1：TSP问题
旅行商问题的GA参数调优。
实战TSP
28
案例实战2：神经网络结构搜索
神经网络结构搜索的参数调优。
实战NAS
29
案例实战3：强化学习策略
强化学习策略的参数调优。
实战RL
30
总结与最佳实践
调参流程总结，常见陷阱，推荐工具链。
总结最佳实践