自然界中生物体优胜劣汰,不断由低级向高级进化。人们通过观察这些适者生存的法则构成了一些优化算法。优化算法的本质是在众多解中寻找到一个最优的解,使得系统在满足一定约束条件时某些指标达到最大或最小。这部分通过模仿自然界现象来解决优化问题的算法我们便称为演化算法,比较常用的演化算法有遗传算法,模拟退火算法,粒子群算法,蚁群算法,差分演化算法。其中差分演化算法是近年来备受关注的一种新兴演化算法,有着结构简单,时空复杂度低,收敛性能快速稳定等特点,但是其也有对坐标系统的旋转十分敏感等缺陷。虽然一些方法已经被提出来用于解决DE的旋转问题,但是这些方法都有可能造成种群多样性的丢失,从而导致早熟收敛问题。在这里,我们提出了一种新的自适应差分演化算法用来提高DE的优化性能,尤其是在旋转问题上的优化性能。我们提出的新算法名叫aKDE,该算法通过实施一种新的试验向量生成策略”DE/current-to-pbest/K/pk"来生成新的试验向量,该策略一方面在交叉操作中概率性地消除传统DE中旋转可变的交叉算子使得算法概率性的旋转不变,另一方面在变异操作中使用多个差分向量来生成变异变量以增强潜在的种群多样性,从而平衡算法的探索(exploration)能力和开发(exploitation)能力。上面策略中,K决定了差分向量的数量。pk决定了在交叉操作中取消传统交叉算子的概率。为了取得更好的优化效果,本文还介绍了一些对于K的选择和适应方法以得到一个适宜的K值。此外,一些参数自适应方法利用历史成功参数来更新DE控制参数CR,F来得到一个更为合适的参数值。最后,我们在CEC2005和CEC2013基准测试数据集将aKDE与其他演化计算算法进行了比较。实验结果表明aKDE在这些函数集上的表现优于其他代表性的差分演化算法,这种优越性在旋转问题上表现得更加明显。