约束优化问题一直以来都是众多学者研究的课题。最初学者使用解析法和数值法对约束优化问题进行求解,取得了不错的成绩。但是随着问题的不断变化,很多约束优化问题具备了非线性、非连续、多峰性、不可微等特性,使得传统的优化方法难以求解或者是完全失效,因此学者们致力于寻找更好的算法用于求解约束优化问题。差分演化算法作为启发式算法中的佼佼者,很快就进入了众多学者的研究范围,并且提出了很多优秀的改进算法用于求解约束优化问题。差分演化算法主要依赖的三个控制参数是种群规模NP、杂交概率CR和缩放因子F,主要依赖的三个演化操作是杂交、变异和选择。差分演化算法在求解过程中具有两点不足,一方面是对控制参数的设置很敏感,另一方面是对演化操作的选择也是尤为重要。本论文针对差分演化算法的不足对其进行改进,提出了两种改进的差分演化算法。本论文第三章对自适应差分演化算法JADE进行研究,同时结合ZJADE算法思想,加入基于归档的自适应均衡模型技术,提出了一种新的基于JADE的差分演化算法(CO-JADE)。本论文第四章提出一种基于单形正交实验技术的差分演化算法(SO-DE),该算法结合单形交叉和正交实验设计技术提出了一种单形正交交叉算子,同时对基于归档的自适应均衡模型技术进行改进提出一种改进的个体优劣比较准则。使用CEC2006演化计算标准测试集对CO-JADE算法和SO-DE算法进行性能测试,实验数据表明CO-JADE算法和SO-DE算法具有优秀的寻优性能和良好的稳定性。本论文的主要成果和创新点如下:(1)针对约束优化问题中目标函数值和约束违反量两者之间的权重关系提出一种改进的个体优劣比较准则。该准则考虑整个演化过程中种群所有个体呈现的3种不同的状态采用不同的处理方法,主要考虑当前种群个体的目标函数值的取值范围和约束违反量的取值范围,动态的将目标函数值和约束违反量转化为一个归一化的适应值,然后根据这个归一化的适应值大小选择个体进入下一代种群中,完成差分演化算法中的选择操作。(2)单形交叉算子具有均匀分布产生后代个体和具有后代个体均值不变的特点,正交实验设计具有“均匀分散,实验次数较少,齐整可比”的特点。结合单形交叉算子和多父代正交交叉算子提出一种新的交叉算子,称为单形正交交叉算子。单形正交交叉算子具有单形交叉的均匀分布的特点,同时也具有正交实验设计的代表性和高效性,使得单形正交交叉算子具有很好的搜索能力。(3)将改进的自适应差分演化算法结合基于归档的自适应均衡模型用于求解约束优化问题。改进的自适应差分演化算法能够根据演化过程中的状态变化而自适应选择不同的缩放因子F和交叉概率CR,同时利用基于归档的自适应均衡模型去处理目标函数值和约束违反量,选择个体进入下一代种群。对比实验证明该算法具有较好的搜索能力、较高的精度和良好的稳定性。