差分演化算法作为计算智能算法中的重要一员,因其结构简单、收敛速度快、鲁棒性强等特点,得到了研究学者的广泛关注并且在研究和应用上均获得了很大的进展。变异操作作为差分演化算法的核心操作,一般采用随机的方式产生差分向量,导致算法收敛速度减慢,种群质量无法保证。差分演化算法在进化过程中会产生大量的种群信息,然而传统的差分演化算法未能充分利用这些种群信息,个体之间缺乏有效的学习交流机制。目前大部分基于邻域的差分演化算法采用了固定邻域机制,虽然在一定程度提升了算法的局部挖掘能力,但也限制算法的全局搜索能力,导致算法在后期容易陷入停滞。并且在现有的差分演化算法中缺乏有效的个体评价机制,缺乏准确的数值指导。针对这些问题,设计有效的种群信息挖掘和利用机制具有很大的研究空间和研究价值。基于以上的分析,根据种群信息的产生方式构建了基于邻域信息、方向信息和历史信息的种群进化信息模型。本文围绕种群进化信息模型,提出了四个种群信息挖掘和利用机制,加强差分演化利用种群信息的能力,进而提升其求解复杂优化问题的性能。本文的主要工作可以归纳为以下四个方面:(1)为了充分发挥不同个体在搜索过程中的不同角色,本文引入了依赖于个体信息的动态邻域机制。个体在构建邻域时根据挖掘出的种群信息动态地为个体确定邻域并不断地进行调整,满足了不同进化阶段对邻域的不同需求。(2)针对一对一个体更新机制所存在的种群质量问题,本文提出了个体替换机制。利用种群中较优秀个体被淘汰的子代替换种群中其他较差的个体,充分利用中间数据的同时提升种群质量。(3)本文提出了一种个体评价系数的计算方式,从个体适应值和个体在种群中的地位两个层面充分反映个体的质量,为构建邻域和种群结构优化提供了准确的参考数值。(4)针对进化过程中存在的随机性较高导致算法收敛速度较慢的问题,本文采用余弦相似度作为个体相似度计算方式并且结合劣势个体指向优势个体的差分向量产生方式,将方向信息和变异策略结合。利用个体的历史信息和个体自身构造历史进化路径,依靠个体进化经验引导个体向一定的方向稳定进化。综上所述,本文通过对种群信息进行挖掘和利用,指导个体进行邻域构建和产生变异,使进化过程更为高效有序。在文中使用了大量的实验验证了这些机制的性能,从而为科学研究和工程应用提供了参考。