微分进化算法是一种模拟生物自然进化过程搜索全局最优解的随机优化算法.由于算法简单易于实现、控制参数少且搜索能力强的特点,微分进化算法得到了人们的广泛研究和应用.与其它基于种群的进化算法一样,微分进化算法也存在着一些不足,主要表现为早熟收敛和局部搜索能力不足.针对算法参数的选择对求解效果影响较大的问题,本文提出了一种新自适应控制参数的方法.并使用一些经典的测试函数进行了数值实验,同时研究了微分进化算法处理带有等式约束的优化问题的应用.本文的主要研究成果如下：针对带有等式约束条件的优化问题本文提出了一种新的微分进化算法求解有等式约束优化问题.首先根据搜索空间的维数和等式约束条件确定参数,并求解参数方程；然后在种群初始化、交叉和变异操作过程中,用参数方程的解更新个体以确保个体满足等式约束,对于违反不等式约束条件的个体使用惩罚函数进行惩罚.数值实验验证了新算法既有较快的收敛速度,又能以较大概率搜索到约束优化问题的最优解.传统的优化算法具有局部搜索能力强的特点,所以将传统的优化算子嵌入DE算法中是一种提高局部搜索能力的有效方法.其中将爬山算子嵌入DE算法中达到了提高局部搜索能力较好的效果,但是这种方法在测试函数较复杂时和算法进化后期仍然很难起到作用.因为算法在求解不同的测试函数和进化的各个阶段需要选择不同的控制参数值来保证算法的搜索能力.针对这个问题本文提出了一种新的基于自适应爬山半径的微分进化算法.该算法根据搜索过程中得到的个体搜索效率的信息,动态的调整爬山半径,提高了算法在进化的各阶段的适应性.数值实验结果表明,新算法提高了爬山算子的效率,具有较快的收敛速度和较高的求解精度.