差分进化算法是由Storn和Price于1995年提出的一种新的智能优化算法。它是一种简单有效的全局优化算法，并且具有较好的稳定性和较快的收敛速度。由于其原理简单，易于理解和实现，以及受控参数少等优点，一经提出就得到了广泛的研究和应用。　　 本文首先介绍了最优化问题的模型，对其按不同的标准进行了分类，接着又阐述了最优化方法的分类，并对各类方法进行了简要介绍。文章的重点是智能优化算法，因此，对几种智能优化算法进行了概括性的描述。　　 差分进化算法虽然有很多优良的性能，但是作为一种新的正在发展的算法，其在很多方面还不成熟。针对参数设置困难的问题，文章通过大量的实验详细分析了影响算法性能的三个参数，并给出了选取规则。尽管差分进化算法获得了广泛的研究，相对于其它算法，其研究成果还较为分散，因此，本文给出了各种变异策略，并分析了各策略的优劣，以及不同策略的适用范围，对差分进化算法的应用有一定的指导作用。　　 为了进一步改善和提高差分进化算法的性能，提出了三种混合差分进化算法。一是利用复合形算法较强的处理约束条件的能力，提出了用于求解非线性约束优化问题的差分进化算法，扩展了差分进化算法的应用领域。二是将具有较强局部搜索能力的Hooke-Jeeves算法以退火策略加速差分进化算法，构造了基于退火加速的差分进化算法，提高了算法的收敛速度和精度。三是在算法中引入适应度方差来判断种群多样性，并利用混沌的特性，提出了基于混沌搜索的差分进化算法，增强了算法的全局搜索能力。　　 最后，展开了对差分进化算法的应用研究。先给出了一种差分进化算法的改进变异策略，并将其应用于神经网络的训练当中，仿真实验结果表明改进的差分进化算法在神经网络的训练及应用中有很大的潜力。其次，提出了一种基于差分进化的聚类算法，并将其应用于数据挖掘当中，从而进一步拓宽了差分进化算法的应用领域。