DE算法是一种稳定性高、需调参数量少、收敛速度快的基于规则的进化式搜索算法,在解决实际中的高维复杂问题时有出色的表现。目前许多实际应用领域面临的工程问题都可抽象为数学问题,传统的优化算法在解决此类问题上愈发吃力,DE算法则成为了有力工具。由于算法不能很好的实现全局搜索和局部开发的均衡,因此会导致算法的早期收敛和进化停滞,从而影响到求解的精度、速度和应用。本文首先介绍了DE算法的基本架构和工作原理,然后根据DE算法的优势和不足,提出算法改进方案,并将两种改进DE算法与实际工程应用问题结合,以优化2.5D集成电路中PSI测试路径规划问题,达到提高测试效率并缩短测试时间的目的。本论文的主要工作包括以下几个方面:针对差分进化算法中易陷入停滞和早熟收敛的现象,提出“基于历史信息多策略自选择与动态扩容的DE算法”。该算法充分利用种群进化过程中的代间适应度差异,并基于该变量提出多策略选择机制和种群动态扩容机制,监测种群当前进化状态,并及时反映出种群是否陷入停滞或早熟收敛。设计控制参数的自适应调整方案来平衡算法开发与探索能力。通过评估CEC2014标准测试集衡量所提算法的性能,并与两个基本DE算法和6个DE变体在30、50和100维度上进行比较,实验结果表明,该算法的优化性能明显优于其他几种经典的改进算法。针对算法在进化过程中的探索与开发不平衡以及控制参数的生成随机性强等问题,提出“基于对立学习和神经网络参数优化的DE算法”。这一算法从个体解的质量上对DE的种群进化方向进行研究,设计了基于维度相似性的对立学习机制和基于深度学习的参数更新机制,充分利用精英个体的空间信息与参数信息,改善个体解的质量并指导参数对的生成。在CEC2014和CEC2017测试集上的实验结果表明,该算法普适性强,性能优越,具有通用性。最后,本文对绑定前2.5D集成电路中PSI测试路径优化问题进行了研究。首先介绍了绑定前集成电路中PSI的测试挑战以及硅转接层的结构;其次,明确了PSI路径优化问题的性质,构建优化模型;设计编码转换算法与路径分组算法,并结合前文提出的两个改进DE算法应用于该优化模型,并对其进行求解。通过仿真实验结果显示,PSI中测试路径经优化后的测试效率得到了较大提升,验证了所提改进算法的有效性。