高效进化算法是新兴交叉研究方向,受到多个领域关注,差分进化算法作为进化算法的一个重要分支,自提出以来就受到广泛重视。对于求解的目标函数,差分进化算法一般不需要利用函数的导数、线性性等自身信息,从而可以使搜索过程变得更加简便有效。本文提出一种以优秀个体为导向的多策略差分进化算法（BEMA-DE）,并在其变异策略基础上进行改进之后,用改进后的算法（BEDE）提取光伏电池的参数,具体工作如下:为了提高差分进化算法的性能,种群中的个体在每次迭代之后,根据个体适应度值将种群等分为三个子种群,对不同种群使用不同的变异策略和控制参数。因为适应度值较差的种群在整个种群进化的过程中起着重要的作用,所以针对适应度值较差的种群提出了一种新的变异策略。一方面通过引入学习因子,加快了向优秀个体学习的能力,另一方面为了防止向优秀个体学习过度,引入了平衡因子,对提高收敛速度、精度和易陷入局部最优状态进行平衡。对适应度值较差个体的控制参数采取自适应机制,降低种群陷入停滞状态的概率。最后用19个标准测试函数对改进算法的性能进行了测试,并将其与一些主流差分算法进行了比较。实验结果表明,所提出的算法在大部分函数的收敛速度以及精度上有了明显的提升。在一些测试函数的收敛曲线图中,也可以明显的看到改进后的算法在进化后期仍然具有良好的寻优性能,而与之对比的算法则陷入停滞状态。光伏电池在太阳能系统中占据着重要的地位,而光伏电池参数的选取在光伏电池中又是重中之重。光伏电池参数模型可以分为单二极管模型、双二极管模型和光伏组件模型。由于是多模态问题,所以比较难以求解,为此将进化过程分为两部分,以0.6为界限,前0.6属于进化前期,后0.4属于进化后期,对于两种处于不同进化状态的个体使用不同的变异策略来加快种群整体的寻优速度。对于状态处于后0.4的个体,变异策略在BEMA-DE算法的基础上做了一些调整来使算法能更加平衡的寻优。将改进后的算法用于提取光伏电池的参数,并将其和一些算法做了比较,实验结果表明,所提出算法在不同光伏模型上都具有一定的竞争力。