优化问题作为工程应用上经常需要解决的难题,一直是专家学者重点研究的对象。随着社会的发展和理论研究的深入,人们需要解决的优化问题也日趋复杂,这些问题具有非线性、不连续、不可微等特点。问题复杂程度的增加使得传统的数学优化方法难以解决这些问题。差分进化算法是一种基于个体差异重组思想的进化算法,其作为优化领域中比较著名的启发式算法,适用于求解连续域上的优化问题。由于差分进化算法结构简单且收敛能力强,人们在解决优化问题时往往会优先考虑选择它。然而传统的差分进化算法存在以下问题:1)传统差分进化算法拥有多种不同的变异算子,这些变异算子对个体产生的作用各不相同,而且根据优化问题的特征信息选择合适的变异算子具有一定的难度;2)传统差分进化算法不具备参数自适应调整机制,因此针对不同的问题往往需要凭借经验和多次实验才能找出最好的缩放因子和交叉概率,在问题的适应值评估函数比较复杂的情况下,这个计算过程往往需要消耗大量的计算资源。针对差分进化算法选择变异算子难,寻找合理参数的过程繁琐等问题,本论文进行了以下研究工作:（1）基于适应度景观的变异算子与算法参数策略研究。通过枚举不同变异算子、缩放因子以及交叉概率组合,将每一种组合作为一种标准差分进化算法的策略,并在经典基准函数上运行标准差分进化算法,得到每一种策略的性能。提取经典基准函数的局部适应距离相关性和信息熵粗糙度,作为函数的适应度景观特征,并分析不同策略在不同景观上的性能差异。使用机器学习方法建立适应度景观与较优性能策略之间的联系,得到策略选择器。采用策略选择器选择策略的优势是采样少量的点并计算问题的适应度景观特征即可得到合适的变异算子和参数。实验结果表明对于大部分测试函数,使用策略选择器进行变异算子与算法参数策略选择的标准差分进化算法的平均性能比使用单一变异算子的平均性能好。（2）研究差分进化算法运行过程中变异策略的选择。提出基于适应度景观的混合变异策略差分进化算法（Mixed Mutation Fitness Landscape Differential Evolution,MMFLDE）。该算法根据运行时种群所在局部区域的自相关性粗糙度与梯度更新变异算子和缩放因子,从而增强算法的寻优能力。为了实现这一操作,本论文采用深度Q网络（Deep Q Network,DQN）算法构建决策控制器,包含以下工作:1)根据不同基准函数存在差异的特点,对梯度测量方法进行改进,并基于改进梯度测量与自相关性粗糙度设计状态空间;2)结合MMFLDE的变异策略设计动作空间;3)根据动态适应度景观进化能力的概念,提出种群进化效率并将其作为决策控制器的奖励函数。通过与其他差分进化算法及改进算法对比,说明MMFLDE在部分问题上具有良好的性能。（3）分析适应度景观与变异策略之间的关系机理。通过研究MMFLDE运行时局部适应度景观和变异策略的变化,以图像的方式描述变异策略更新与种群所处局部区域适应度景观变化的联系,进一步说明MMFLDE调整变异策略与适应度景观存在关联。