La adaptación de parámetros es uno de los campos clave de investigación en el área de la computación evolutiva. En este estudio, se considera la aplicación de la neuroevolución de topologías aumentadas para diseñar técnicas eficientes de adaptación de parámetros para la evolución diferencial. Las redes neuronales artificiales en este estudio se utilizan para establecer los valores del factor de escala y la tasa de cruce basados en la información disponible sobre el rendimiento del algoritmo y los valores exitosos anteriores. El entrenamiento se realiza en un conjunto de problemas de referencia, y la prueba y comparación se realizan en varios benchmarks diferentes para evaluar la capacidad de generalización del enfoque. La neuroevolución se mejora con la selección de lexicase para manejar el paisaje de aptitud ruidoso de los resultados de referencia. Los resultados experimentales muestran que es posible diseñar técnicas eficientes de adaptación de parámetros comparables a los métodos de vanguardia, aunque una búsqueda automática de heurísticas requiere un esfuerzo computacional significativo. Las soluciones diseñadas automáticamente pueden ser analizadas más a fondo para extraer conocimiento valioso sobre la adaptación de parámetros.