La evolución diferencial (DE) es un algoritmo estocástico simple y eficiente basado en poblaciones para resolver problemas de optimización numérica global. DE depende en gran medida de los valores de los parámetros del algoritmo y de la estrategia de búsqueda. El conocimiento sobre cómo ajustar los mejores valores de estos parámetros es escaso. Este artículo tiene como objetivo presentar una metodología consistente para ajustar los parámetros óptimos. En el corazón de la metodología se encuentra el uso de una red neuronal artificial (ANN) que aprende a establecer vínculos entre el rendimiento del algoritmo y los valores de los parámetros. Para hacerlo, primero se genera y normaliza un conjunto de datos, luego se realiza el enfoque de la ANN y, finalmente, se extraen los mejores valores de los parámetros. El método propuesto se evalúa en un conjunto de 24 problemas de prueba del Benchmark de Optimización de Caja Negra (BBOB). Los resultados experimentales muestran que pueden surgir tres casos distintos con la aplicación de este método. Para cada caso, se proporcionan especificaciones sobre el procedimiento a seguir. Finalmente, se realiza una comparación con cuatro reglas de ajuste para verificar y validar el rendimiento del método propuesto. Este estudio proporciona una visión detallada sobre el ajuste óptimo de parámetros, lo cual puede ser de gran utilidad para los usuarios.