本研究提出了一种基于强化学习的差分进化算法自动设计框架，旨在提升黑箱优化中的算法性能。通过元学习，该框架能够为特定问题定制最优配置，实验结果表明其在基准测试中具有竞争力。

本研究提出了一种基于蒙特卡洛树搜索的启发式演化方法，旨在克服现有大语言模型在自动启发式设计中的局限性。该方法能够全面探索启发式空间，提高复杂任务的解决质量，具有重要的应用潜力。

本研究提出了LPZero框架，解决了现有零成本代理在神经架构搜索中的局限性。LPZero能够自动设计适用于各种任务的零成本代理，其性能超越传统设计，展现出更高的排名一致性和卓越的下游任务表现，具有广泛的应用潜力。

本文介绍了一种基于群体的新方法，使用语法进化进行自动设计，能够生成高亲和力的分子，优于已知的分子。该方法已经在 thymidine 激酶的对接实验中得到了成功应用。

本文强调了在深度网络训练中设计适当的损失函数的重要性，特别是在语义分割领域。作者提出了一种自动设计特定指标损失函数的方法，并介绍了可参数化函数和参数搜索中的约束。实验结果表明，所搜索的替代损失函数在其他数据集和网络上也具有良好的泛化能力，性能优于手动设计的损失函数。