差分进化算法(Differential Evolution Algorithm,简称DE)是由美国学者Storn和Price于1995年提出的一种新型智能优化算法。DE以其较少的控制参数、简单的操作原理及良好的收敛性能等优势在进化计算领域得到了广泛的应用。差分进化算法虽然有其特有的优势,但也无法完全摆脱智能进化算法普遍存在的不足,比如搜索停滞的问题和对控制参数敏感的问题。针对这些问题,本文提出了两种改进DE算法,并通过标准测试函数验证了改进算法的有效性。本文的主要研究内容如下:第一,简要叙述了进化计算的发展历史,并列举了DE算法的优缺点;对近年来部分优秀改进算法进行了整理,总结了DE算法的主要改进方式和应用方向;详细介绍了DE算法的操作流程,并从种群结构、控制参数、策略选择和混合算法这四个方面对差分进化算法的改进展开论述。第二,针对大规模全局优化这一热点问题,提出一种基于最优随机突变策略的多种群差分进化算法。算法根据个体适应度值优劣划分子种群,使优秀个体迅速进化,提高了算法的整体收敛速度,同时也改善了进化后期的种群多样性。为了平衡算法的搜索能力和开发能力,算法还引入了一种新的变异策略——采用最优个体和随机个体线性组合的方式生成基向量。在一组19个大规模连续优化问题上对改进算法的性能进行了测试,结果表明改进算法具有较好的求解大规模全局优化问题的能力。第三,为了进一步提升算法的收敛性能,提出一种自适应多策略差分进化算法。该算法采用一种新的自适应机制——根据迭代次数动态调整正态分布的均值,使算法能够适应不同的进化时期。算法选取了“DE/rand/1”、“DE/rand assemble/1”和“DE/best/2”这三种不同的变异策略应用于三个子种群中,其中“DE/rand assemble/1”的基向量由三个随机个体按比例构成,差分向量则由不同于构成基向量的随机个体组成。最后在CEC2005的25个基准测试函数上对算法进行评估,并与其他几个先进的改进算法进行比较,结果表明改进算法具有较快的收敛速度及较强的寻优能力。