随着社会的快速进步和科技的迅猛发展,群体智能与人工智能的发展也越来越迅速,现在已经被广泛应用到社会生活的各个方面。群体智能优化算法具有分布性强、鲁棒性高和非直接通讯等优点。经典的群体智能优化算法包括差分算法、粒子群算法、蜂群算法、蚁群算法、遗传算法等。随着近年来的逐步发展,智能算法中的差分进化算法凭借自身较高的鲁棒性、较低的算法复杂度以及简单高效等卓越的性能被广泛用于解决实际问题。本文旨在从理论和实验两个方面,分析和验证带有优劣策略的自适应参数搜索机制在群体智能算法中的重要地位。本文全面分析和总结了差分进化算法的基本知识和算法流程,同时也分析了当前算法存在的缺陷和不足。基于此,本文提出了自适应参数机制的改进的差分优化算法,并引入了基于优劣个体的选择存储机制。在算法中,我们选取具有代表性的较优个体和较差个体沿着特定的方向信息进行线性探索,将探索到的更优位置返回给群体,进而指导整个群体开拓一片更有利的空间。此外,本文还提出了一种基于二阶差分思想的改进差分算法,旨在充分利用个体种群差向量的搜索方向。通过仿真实验,证明了所提出二阶差分算法的优越性。同时,针对经典的差分进化算法参数单调而固定的问题,本文还引入了自适应参数思想:保留有利的参数,抛弃未提供有利信息的参数,从而使个体能保持有效的探索步长和变异概率。在仿真实验中,本文选取了经典权威的测试函数验证算法的性能,证明了改进的差分算法相比于经典差分算法的优越性和有效性。