摘要：差分进化算法是一种结构简单、易用且鲁棒性强的全局搜索启发式优化算法,它可以结合约束处理技术来解决约束优化问题.机器学习在进化算法中,经常可以引导种群的进化,而且被广泛地应用于无约束的差分进化算法中,但对于约束差分进化算法却很少有应用.针对这一情况,提出了一种基于反向学习的约束差分进化算法框架.该算法框架采用基于反向学习的机器学习方法,提高约束差分进化算法的多样性和加速全局收敛速度.最后把该算法框架植入了两个著名的约束差分进化算法：（μ＋λ）-CDE和ECHT,并采用CEC 2010的18个Benchmark函数进行了实验评估,实验结果表明：与（μ＋λ）-CDE和ECHT相比,植入后的算法具有更强的全局搜索能力、更快的收敛速度和更高的收敛精度.

关键词：反向学习 差分进化 约束优化 收敛性 

单位：东莞理工学院计算机学院; 广东东莞523808; 西安交通大学城市学院计算机系; 陕西西安710018