论文提出了一种改进的CMA-ES算法，通过自适应学习率提升黑箱优化问题的性能。该方法动态调整学习率，实验显示在多种基准函数上优于标准CMA-ES。自适应学习率通过指数和乘法噪声机制实现，显著提高了收敛速度和解的质量。尽管超参数敏感性分析不足，但为进化优化算法提供了改进方向。

进化策略（ES）是一类黑箱优化算法，通过采样、评估和选择迭代更新参数分布。基础高斯ES仅跟踪均值和标准差；CMA-ES引入协方差矩阵，自适应调整搜索方向与步长；自然进化策略（NES）利用自然梯度提升优化效率。在深度强化学习中，OpenAI ES用高斯扰动并行训练策略，NS-ES通过新颖性搜索鼓励探索，CEM-RL结合进化与梯度方法。PBT和WANN则将进化算法用于超参调优和网络结构搜索。