差分进化算法在处理复杂的非线性、不可微等高维复杂优化问题上有较强的全局寻优能力,但其存在搜索与收敛能力互相矛盾的现象,容易引起种群个体早熟、搜索停滞等问题。针对这些不足,本文将经济学中的耦合协调度模型与差分进化算法相结合,分别从变异算子改进、选择算子改进和自适应选择变异算子角度研究差分进化算法,提升差分进化算法的性能。本文的研究内容如下:（1）基于耦合协调变异策略的差分进化算法研究。为了解决差分进化算法中变异算子的差分项个体过于随机选择的问题,提出一种基于耦合协调度的变异算子改进策略,记为CCDM。在CCDM中,首先,利用耦合协调度模型,综合考虑个体的适应度值和分布情况,计算个体间相似性。然后,通过相似性将种群个体聚类为四个相似子种群,并将目标向量个体所在的相似子种群作为差分项的后项备选集合。从而引导目标向量在变异过程中脱离其局限的区域,增加种群多样性。最后,利用分位数概念构建精英存档作为差分项前项的选择个体,使目标向量加速收敛。（2）基于耦合协调选择策略的差分进化算法研究。为了解决种群个体搜索停滞的问题,提出一种基于耦合协调度的选择策略,记为CCDS。在CCDS中,当个体处于停滞状态时,触发该选择策略。首先,利用耦合协调度模型分别计算父代种群中最优个体和停滞个体的相似集合。然后,从两个集合中分别随机挑选一个个体,它们以均匀的概率代替所陷入停滞的个体,并进入下一代。父代最优个体的相似集合能增加种群的多样性,停滞个体的相似集合能增加种群的局部搜索能力,提高算法收敛能力。（3）基于耦合协调种群状态评估的差分进化算法研究。为了在解决不同类型问题时能更好地自适应选择变异算子,从探究种群分布情况角度出发,提出一种基于耦合协调度的种群状态评估差分进化算法,记为CCPDE。在CCPDE中,首先,将种群分布情况分为搜索、平衡、收敛三种进化状态,并针对不同的进化状态建立相应合适的变异算子池。然后,将种群按适应度值划分成四个不同等级的子种群,并分别从中随机挑选一个个体。最后,计算所挑选出的四个个体两两间的耦合协调度,并以其平均值来判断种群所属的进化状态,从而选择对应类型的变异算子进行迭代。为了验证CCDM、CCDS、CCPDE的有效性,基于CEC2017测试函数集进行数值实验。实验结果表明:基于耦合协调度模型的三种改进差分进化算法的性能均得到明显提升。