3月23日晚，桂林理工大学信息科学与工程学院的副院长董明刚教授来到了启迪数字学院。他给学生们讲授了一堂关于差分进化算法（Differential Evolution, DE）的精彩课程。这堂课吸引了教学教务中心的老师和2019级智能科学与技术专业的全体同学前来聆听。为了让学生更好地理解这个算法，董教授从传统梯度下降遇到无导数黑箱函数时的困境谈起，引出了差分进化算法。这个算法的特点是不需要知道函数的导数信息，只依靠个体之间的差异信息来推动搜索。在讲解单目标优化时，董教授用测试函数展示了差分进化算法如何快速收敛到全局最小点。他提到，在30代迭代中，这个算法就把峰值“锁死”在了全局最小点，在场的学生们都对它的速度感到惊叹。 接着，董教授讲解了带约束优化问题。他把约束条件嵌入到变异和交叉算子中，让候选解在满足约束条件时才能生存。这样一来，差分进化算法不仅能解决有约束的优化问题，还能把可行解的比例从18%提高到92%。在多目标优化方面，董教授提到多目标冲突无法一次解决，只能妥协。他介绍了DE-MOEA这种基于差分进化的多目标算法（MOEA），这个算法采用了双种群框架，让子代和父代同时竞争。在ZDT6基准测试上，DE-MOEA成功覆盖了整个Pareto前沿面，并且超体积指标提升了17%。 在问答环节中，同学们提出了很多实际问题和建议。有同学问如何选题、怎样写项目申报书等问题。董教授给出了三条建议：第一是啃硬骨头，把复杂工程问题拆成子模块来解决；第二是数据驱动迭代，让算法通过实验数据自我进化；第三是不怕失败，在初期调试过程中可能会有50%的失败率。他鼓励同学们把问题当做猎物去猎杀，把算法当做猎枪去扣动扳机。 这次讲座让大家更加了解了差分进化算法的原理和应用价值。很多同学当场决定把毕业设计方向锁定为“差分进化+实际数据”。从理论到落地、从单目标到多目标、从实验室到生产线，这个曾经冷门的算法正逐渐成为通用工具。下一次“进化”的号角或许就藏在每个人的代码里。 总之，这次讲座给启迪数字学院的学生们提供了一次深入学习差分进化算法的机会。通过董教授深入浅出地讲解和演示，大家不仅对这个算法有了更清晰的认识，还学会了如何应用它解决实际问题。希望这个讲座能够激发更多人对智能优化领域的兴趣和探索精神。