差分进化算法（DE）是一种有效的随机搜索优化算法,它通过继承和发展现存优化算法的优点,具有控制参数少且设置简单,收敛速度快,优化结果鲁棒性好等众多长处。然而对于较为复杂的单目标多峰优化问题,差分进化算法容易收敛的太早并停滞于局部最优解。针对这些问题,论文通过提出的基于转向变异的策略来改进三种差分进化算法,并使用CEC2020单目标边界受限的数值优化基准集作为评价标准,然后将改进后的三种差分进化算法应用于三个工程实际问题。首先,论文讨论了差分进化算法的国内外研究现状并针对差分进化算法的缺点介绍了常见的改进方向。接着论文给出了标准DE算法和其变体SHADE算法的基本过程,以及由SHADE算法演化而来的L-SHADE和j SO算法的主要特点。然后论文针对差分进化算法在复杂的单目标多峰优化问题中容易收敛的太早并停滞于局部最优解的缺陷,提出了一种基于转向变异的策略,并将其应用于SHADE,L-SHADE和j SO算法。该策略的动机是,在满足一定条件下,改变预期的变异方向,试图保持种群的多样性,使算法保持较长的全局搜索阶段,以期望避免过早收敛,跳出局部最优,进而取得更好的优化结果。论文在5维、10维、15维和20维的单目标边界受限的数值优化（CEC2020）基准集的10个测试函数上对改进后的算法（TbSHADE、Tb L-SHADE和Tb-j SO）进行了验证,整体上改进后的算法取得了明显更好的优化结果。论文还通过种群多样性度量和种群聚类分析,验证了该方法是可以保持种群多样性的。最后,为进一步验证改进后的算法的性能,论文将它们加上约束处理操作,应用于换热器网络设计、多片式离合器/制动器设计和阶梯锥形滑轮设计问题,实验结果表明,改进后的算法取得了明显更好的优化结果。实验结果表明,与原始算法和目前一些比较优秀的算法相比,使用转向变异策略改进后的差分进化算法在CEC2020单目标边界受限的数值优化基准集和三个工程实际问题上都取得了明显更好的优化结果,为求解一些复杂的单目标多峰优化问题提供了新的思路,对群体智能算法、进化算法和优化的理论和应用研究具有重要的科研价值。