基于差分进化(DE)算法优化多时间步动态适应度函数的技术问询

我现在碰到个难题，得用差分进化（DE）算法优化一个动态适应度函数f(x,t)。这里t代表时间步，范围是[0, 8759]，x是由决策变量组成的向量。

之前我固定某个t（比如t=0）跑DE，大概1000次迭代就能收敛，但我现在想找到一组通用的x值，能让所有时间步t都满足f(x,t)=0，不想每个时间步都单独跑一遍DE，效率太低了。

先说说我针对t=0的现有实现步骤：

• 用拉丁超立方抽样生成100个解向量，以此初始化DE算法的种群
• 计算种群中每个解向量的适应度值，也就是f(x_0, t=0)、f(x_1, t=0)、f(x_2, t=0)这类结果
• 找出当前种群里的最优个体，接着通过常规的选择、变异、交叉操作迭代多代，直到算法收敛

我原本想把这个方法扩展到全时间步，思路是修改适应度函……

备注：内容来源于stack exchange，提问作者oakca