差分进化算法是一种基于浮点数编码的并行随机启发式搜索方法,由于其实现简单、理解容易、控制参数少、收敛精度高、收敛速度快以及鲁棒性强等优点,现已成功应用于科学与工程领域。然而,随着待求解问题复杂度的增长,差分进化算法本身也存在诸如早熟收敛、求解精度低以及进化后期收敛速度慢等缺陷。因此,对差分进化算法进行分析改进,以改善算法的收敛性能,扩展算法的实际应用领域,具有重要的理论研究意义与实际应用价值。针对差分进化算法求解复杂函数时出现的性能问题,本文结合引力搜索算法的优点,提出一种基于阈值统计学习思想的混合差分进化引力搜索算法。该算法通过阈值统计学习的方式,充分利用差分进化策略的全局优化能力与引力搜索策略在进化后期的种群开发能力,在进化过程中根据两种策略在先前学习代数的成功率自适应选择较优策略生成下一代群体,保证种群在问题解空间中的探索能力与开发能力之间的平衡,以提高混合算法的全局寻优能力。经典复杂测试函数的仿真实验结果表明:改进算法求解精度高,收敛速度快,鲁棒性强,能够有效避免早熟收敛问题。针对复杂网络社区发现问题,本文在标准差分进化算法的框架下,提出一种新型免疫离散差分进化算法。该算法采用标签传播的方式生成初始种群,通过离散差分进化策略来保证种群在问题空间的全局搜索能力,同时对种群中的优秀个体进行针对性的高频克隆变异操作,以提高算法的局部开发能力,改善算法的寻优性能。以计算机生成网络与真实世界网络为对象的仿真实验结果表明:该算法具有较强的寻优性能与鲁棒性,能够有效探测复杂网络中存在的社区结构。全文在理论上剖析了差分进化算法的优缺点,融合优势计算智能,提出了混合差分进化算法;同时,以复杂网络为对象,改进了标准差分进化算法,并将改进算法应用于复杂网络的社区结构探测,取得了良好的效果。这些研究成果对于推动差分进化算法的理论与应用发展具有较为重要的意义与作用。