审稿意见

一、总体评价

《基于历史梯度平滑的L—SHADE算法》一文由李恺、李晋芳、朱往嵩和曾隆隆撰写，文章提出了一种新的基于历史梯度平滑的L-SHADE算法，并通过实验验证了其在处理高维复杂优化问题上的有效性。整体而言，文章结构清晰，逻辑严谨，实验设计合理，数据分析充分，具有较高的学术价值和应用前景。

二、内容评价

研究背景和意义：文章对L-SHADE算法的研究背景进行了详尽的介绍，指出了现有算法在处理高维复杂问题上的不足，进而提出了基于历史梯度平滑的改进策略，明确了研究的意义和价值。
算法改进与创新：文章提出的基于历史梯度平滑的L-SHADE算法（L-SHADE-r）在原有算法的基础上引入了历史梯度平滑和随机梯度更新策略，这一创新点具有较高的新颖性和实用性。算法改进部分描述清晰，理论推导严密，展现了作者深厚的数学功底和算法设计能力。
实验设计与验证：文章在CEC 2017基准测试集上进行了全面的实验验证，通过与其他先进算法的比较，充分展示了L-SHADE-r算法在处理高维复杂问题上的优越性。实验设计合理，数据分析充分，结果可信度高。
讨论与结论：文章对实验结果进行了深入的讨论，分析了算法改进带来的性能提升，并得出了合理的结论。同时，文章还指出了未来研究的方向，为后续研究提供了有益的参考。
三、修改建议

文献综述部分：建议进一步梳理和归纳相关领域的研究进展，特别是与L-SHADE算法及其改进相关的文献，以更全面地展示研究背景和意义。
算法描述部分：虽然算法改进部分描述清晰，但建议对L-SHADE算法的基本原理和步骤进行更简洁明了的介绍，以便读者更好地理解算法改进的背景和基础。
实验设计部分：建议增加对不同参数设置下算法性能的对比分析，以进一步验证算法的稳定性和鲁棒性。同时，可以考虑增加更多的基准测试函数或实际应用案例来验证算法的有效性。
语言表述部分：部分段落的语言表述可以更加精炼和准确，避免冗长和重复。同时，注意保持全文语言风格的一致性。
四、结论

综上所述，《基于历史梯度平滑的L—SHADE算法》一文在研究背景、算法改进、实验设计和讨论结论等方面均表现出较高的学术水平和实践价值。在稍作文献综述梳理、算法描述简化、实验设计扩展和语言表述精炼等方面的修改后，建议予以录用。