本文提出了一种基于Q学习的超启发式差分进化（QHDE）算法，旨在解决光纤布喇格光栅（FBG）复用系统中因反射光谱混叠导致的传统解调方法失效，以及现有智能优化算法依赖固定参数、缺乏自适应能力的问题。

以下是该论文的核心内容简要总结：

1. 核心创新点：QHDE算法架构

双层优化架构：将多样化的差分进化（DE）搜索策略与Q学习机制紧密结合，构建超启发式框架，克服了传统算法对单一搜索机制和人工调参的依赖。

底层异构算子库：选取4种典型的DE变异策略（涵盖随机探索、最优引导、局部开发及跳出局部最优等机制）构建底层算子库，为算法提供丰富的全局与局部搜索能力。

高层智能决策：引入强化学习中的Q学习机制作为高层决策器。通过实时评估种群适应度状态并计算即时奖励，动态更新Q表，从而实现变异策略的自适应选择与计算资源的智能调度。

2. 关键实验结果

双FBG网络高精度解调：在光谱完全重叠的极端条件下，波长解调误差仍稳定维持在皮米量级；在相同反射率且信噪比为30 dB的条件下，算法的最小可区分光谱间隔约为0.3 nm。

大规模复用鲁棒性：在随机波长分布场景中，89%的样本解调误差小于1 pm；在固定波长高密度场景中，当传感器数量不超过40个时，平均波长误差稳定在5 pm以内，展现出对高密度混叠光谱的强适应性。

实测数据验证：基于真实FBG光谱数据的解调实验表明，算法能准确识别各FBG对应的主反射峰位置，重构光谱与实测光谱整体拟合趋势一致，验证了其在实际工程场景中的可行性。

对比优势显著：相较于单一变异策略的DE算法（如DE/rand、DE/current-to-best等），QHDE算法有效避免了种群过早陷入局部最优，解调精度与稳定性均获得显著提升。

3. 研究结论与应用前景

该研究通过融合Q学习的智能决策与差分进化的全局搜索能力，实现了不同规模FBG混叠光谱的皮米级高精度解调。

算法底层算子池支持各类变异策略的动态扩展，不仅为解决实际工程中混叠光谱的差异化解调难题提供了高效、智能的新方法，也为处理其他复杂高维优化问题提供了极具价值的参考思路。