在最优化领域,一些常规的计算方法如牛顿法、共扼梯度法、单纯形法等很难解决多峰、高维等复杂的优化问题。针对这类问题,人们通过模拟自然界的进化过程,进而提出各种模拟算法用于解决这类问题。基于这种思想而发展起来的一种通用的问题求解方法,我们统称为进化算法。它可以在不用描述问题的全部特征的情况下,采用简单的编码技术来表示各种复杂的结构,通过对编码进行简单的操作和优胜劣汰的自然选择来指导学习和确定搜索方向。这种崭新的特点使得进化算法不仅能获得较高的效率而且具有简单、易于操作和通用的特性,因此进化算法越来越受到人们的青睐。近年来,一种新的进化算法--差分进化算法(Differential Evolution Algorithm,DE),被各国学者所广泛关注。它的主要特点是算法简单、收敛速度快,所需领域知识少。通过大量研究发现,DE算法具有很强的收敛能力,比较适合于解决复杂的优化问题。DE算法从2000年以后才开始被大多数学者研究,已取得了不少研究成果,与其它进化算法相比,DE算法用于求解最优问题时优势比较明显,但也发现算法存在许多待改进的地方,无论是从理论角度还是从实践方面考虑,DE算法目前都尚未成熟。因此很有必要继续研究DE算法,从而扩大算法的应用领域,解决更多的问题。本文首先分析了研究DE算法的重要意义,接着对DE算法相关的研究问题,如算法的基本结构、算法特点、参数设置、改进方法、实现模式及应用等做了较为系统的研究,并将DE算法用于解决最优特征子集提取,最优神经网络结构设计等应用问题。本文的主要研究成果可归纳如下:(1)全面的介绍了DE算法的原理,基本结构,实现模式和国内外学者对算法的改进措施及相关应用领域;针对DE算法的控制参数,通过标准函数的测试,对算法的参数选取问题进行了较为细致的研究。(2)由于DE算法是一种实数编码的优化算法,不能很好的解决离散优化问题,针对这类应用问题,本文提出一种二进制离散编码方法,并将该方法应用于特征子集选择问题中。通过实验分析,这种方法能够有效的提取特征,从而提高了分类算法的预测准确率。(3)人工神经网络在工程领域有着广泛应用,尤其是BP网络和RBF网络,但它们的学习算法存在训练速度慢、易陷入局部极小和全局搜索能力弱等缺点。而DE算法不要求目标函数具有连续性,且它的搜索具有全局性和并行性,因此构建了一个用DE算法训练网络结构和权值的进化神经网络模型,分别用于训练BP网络和RBF网络,通过测试,取得了良好的效果。