Para superar las deficiencias del algoritmo de búsqueda de armonía, como su lenta tasa de convergencia y su escasa capacidad de búsqueda global, se propone un algoritmo de búsqueda genética diferencial de armonía basado en poblaciones de recompensa. En este algoritmo, una población se divide en cuatro subpoblaciones ordinarias y una subpoblación de recompensa, para cada una de las cuales se utiliza la estrategia de evolución de la búsqueda genética diferencial de armonía. Después de la evolución, la población con la aptitud promedio óptima se combina con la población de recompensa para producir una nueva población de recompensa. Durante un experimento, se realizaron pruebas primero para determinar el valor del tamaño de la memoria de armonía (HMS) y la tasa de consideración de la memoria de armonía (HMCR), seguido de un análisis del efecto de sus valores en el rendimiento del algoritmo propuesto. Luego, se seleccionaron seis funciones de referencia para el experimento y se realizó una comparación de los resultados de cálculo del algoritmo estándar de búsqueda de memoria de armonía, el algoritmo de búsqueda de armonía de población de recompensa, el algoritmo de armonía genética diferencial y el algoritmo de búsqueda genética de armonía basado en poblaciones de recompensa. El resultado sugiere que el algoritmo de búsqueda genética de armonía basado en poblaciones de recompensa tiene los méritos de una fuerte capacidad de búsqueda global, alta precisión de resolución y estabilidad satisfactoria.