在信息技术快速发展的今天,人们对于优化方面的问题显得越来越重视。一直以来研究者们都在探索各种高效率的优化算法来解决学术上的和生活上的各类优化问题。随着越来越多领域的不断拓展,出现的优化问题也越来越棘手,求解优化问题的方法也从传统的优化方法发展到了如今的启发式算法和元启发式算法。本文通过对相关算法以及算法中参数优化问题的研究,提出基于增强学习的参数调优策略,本文主要包括以下几个方面:第一,目前业内对于启发式算法的研究正处于高速发展期,相关的算法也已在军事领域、国际经济等领域得到一定程度的发展和应用。本文分析了不同算法的运行效率及性能问题。单纯的元启发式算法包括禁忌搜索算法、迭代局部搜索算法、模拟退火算法等虽然可以在一定程度上解决一些组合优化问题,但是这些算法在求解NP难问题或者是工程问题时,无法得到理想结果。针对这一问题,本文提出了一种混合启发式算法来弥补这一不足。通过将迭代局部搜索算法和禁忌搜索算法相结合,使算法性能得到提升。第二,算法中存在各式各样的参数,为使算法可以正常运行,需要给算法设定固定的或者在特定范围内变化的参数值。目前没有统一的模式来说明参数应该如何设置。因此本文在所提出的算法基础上引入了参数调优机制。即利用基于增强学习的参数调优策略来改善算法中的重要参数值,从而达到提高算法质量的目的。第三,本文将使用两个富有挑战性的组合优化问题来评判这一策略,分别是UBQP问题和Max-Cut问题。通过对问题分析、求解及结果比对,来评判这一策略下的算法的功能性和有效性。