为了处理复杂的计算问题,学者们多年来一直从大自然中汲取灵感来找到解决方法。优化在许多自然演化过程中占据了重要地位,如达尔文进化过程。几百万年来,每个物种都不得不进化它们的身体结构以适应当前的环境。通过对优化和生物进化两者之间潜在的联系进行深入观察,学者们建立了一种演化计算技术来处理复杂的优化问题,如演化规划、演化策略和遗传算法。这样的算法也被称为是演化算法。差分演化算法是一种非常优秀的演化算法。和其他演化算法比起来,差分演化算法更容易实现,此外它的控制参数非常少,正是这些特点使其在短时间内受到了学者们的极大关注。然而它也存在一些缺陷,如对参数设置非常敏感,在某些问题上容易收敛到局部最优等。因此如何改进它的这些不足从而提高其优化性能对于实际应用而言具有重大意义。本文的工作主要包括以下三个方面：对差分演化算法的参数控制进行了改进,提出了一种自适应的参数控制方法,即带耗散机制的自适应差分演化算法。它根据目标个体和实验个体的适应值来控制算法中的参数,并且使用耗散机制来使得演化过程远离均衡状态以避免早熟；对原差分演化的一对一选择操作进行了分析,在此基础上提出了一种Subset-to-Subset选择操作。具体为随机把目标种群和实验种群分成若干个子集,之后在对应的子集上执行基于排序(ranking-based)的选择操作。该方法可以保留更多的优秀个体进而加快差分演化的收敛速度；通过将前面提出的参数控制方法和选择操作进行整合,同时引入种群规模线性减少机制和精英个体保留机制来提出一种新的差分演化算法(L-STS-DSDE),在CEC 2009测试集上的仿真实验表明,该算法在处理动态优化问题时具有一定的优越性。