差分进化算法是一种基于种群差异的进化算法,通过种群内个体间的合作与竞争来实现对优化问题的求解。与遗传算法相比,差分进化算法实现简单,搜索能力强,适于求解高维非线性问题的优化,但与其他的进化算法一样,也存在着收敛速度慢、产生局部最优等问题。本论文从进化搜索空间的改进、进化控制参数的设置以及差分进化混合算法几个方面进行了深入研究。主要研究工作包括:(1)针对标准差分进化算法进化操作只在一个进化种群中进行,提出了一种辅助种群差分进化算法。在选择阶段主种群中未被选中的进化个体放入辅助种群,经过交叉、变异以后,选择操作在辅助种群中的个体、主种群中的个体和父代种群中的个体之间进行,以此提高差分进化算法的进化效率。标准测试函数实验表明辅助种群可以极大地提高差分进化算法的全局搜索能力和测试函数的运行精度,收敛速度比单种群差分进化算法更快。针对聚类分析问题,提出一种加权总和有效性校验函数SWVF以实现聚类分析过程中有效性函数的分析,把辅助种群差分进化算法用于聚类分析,提出一种基于差分进化的聚类分析算法CDESec,该算法利用辅助种群的良好的全局搜索能力,在全局范围内寻找最优解。实验中表明CDESec聚类分析算法表现出了良好的性能。(2)针对于jDE差分进化算法参数自适应设置的随机性,提出了不同于jDE的参数自适应设置算法SelfDE-F。SelfDE-F算法中控制参数的调整根据进化过程中子代的适应度是否优于父代进行。测试函数实验结果表明,该算法总体性能优异,有效地提高了进化的性能。将SelfDE-F算法与BP神经网络相结合,给出了SelfDE-FBPNN算法。由SelfDE-F对BP神经网络的权值进行优化,并将优化后的BP神经网络权值用于PID控制参数的设定,实验表明使用该方法比使用BP神经网络、标准DE优化BP神经网络、jDE优化神经网络获得的PID控制参数效率更高。(3)标准差分进化采用实数型编码方案,提出了基于0/1矩阵的二进制编码方案,并给出了进化操作采用逻辑运算“与”、“或”、“异或”运算的二进制参数自适应差分进化算法。提出了两种基于种群的贝叶斯网络学习算法:进化MCMC贝叶斯网络学习算法EMCMCBN和二进制差分进化贝叶斯网络学习算法BINDEBN,两者在学习过程中不同个体(染色体)中的贝叶斯网络进行信息交换。实验结果表明,BINDEBN对训练数据集的依赖性更小,学习效率更高。(4)针对高斯混合模型的参数学习和推理问题,提出了基于种群的高斯混合模型的参数学习方法,每个个体内采用Gibbs取样方法进行学习,在学习过程中使用差分进化进行个体间的信息交换,并使用MCMC方法对交换后的结果进行选择。将该方法应用到Motifs的概率学习,实验结果表明学习结果的标准偏差随着种群数的提高逐渐降低。