师法自然特别是生物进化原理的进化算法,在处理复杂、非线性优化问题方面具有突出的全局寻优能力。作为一种较先进的进化算法,差分进化算法简便易行且性能较好,适用于求解全局优化问题,因而得到了广泛的研究和应用。但是其控制参数的设置会在很大程度上影响算法性能,现行的经验/实验选择方式耗时耗力且效果不佳；同时,该算法处理大规模复杂问题的能力还较弱。如何设置合适的控制参数确保差分进化算法的性能稳定,以及如何显著提高其处理大规模复杂问题的能力,都是亟待研究和解决的问题。此外,进化设计已在可逆逻辑综合这一重要的新兴研究领域获得了初步的成功应用,但其优化程度尚需显著提高,因而亟需面向可逆逻辑进化设计研究和应用改进的差分进化算法。本文在系统地讨论和研究进化算法特别是差分进化算法的基本原理和算法要点的基础上,为了提高差分进化算法性能,从多角度入手,提出了种群自适应调整的差分进化算法；并进一步利用协同进化思想提高其处理大规模优化问题能力；最后提出和验证了基于多目标差分进化的可逆逻辑综合方法。本文的主要贡献在于：1.提出了种群自适应调整的差分进化算法。在系统研究差分进化算法的基础上,针对种群规模对算法性能的影响,提出了一种自适应种群调整的差分进化算法(简称SapsDE算法)。该算法首先采用两种DE变异策略,根据进化进程动态地激活某一变异策略对个体执行变异操作；其次,在种群规模调整方面,提出了三种种群规模调整策略,根据之前进化适应度值改善状态的反馈,协调各种群规模调整策略动作来自适应调整种群大小。为了较全面地评测SapsDE算法的性能,本文采用一系列为进化计算研究界公认和广泛采用的基准函数特别是2005年CEC会议特别专题的实参优化问题作为测试目标函数,进行了大量对比实验,结果表明：SapsDE具有较低的时间复杂度、较快的收敛速度、较高的求解精度和较强的鲁棒性等优点。2.提出了协同自适应差分进化算法。为了进一步提高差分进化算法处理大规模问题的能力,提出了一种协同自适应差分进化算法(简称CoSaDE算法)。该算法采用了本文所提出的组数适应策略,在种群个体随机分组的同时,根据进化阶段适应性调整子种群大小,平衡搜索算子的开采与勘探行为,此外,还采用重分组监视器激活随机分组策略。为了保持搜索方向,避免丢失此前搜到的最优个体,提出了最优合作算子保留机制。大量实验结果证明：合作式协同进化方法可有效快速地提高SapsDE可扩展性；该章所提各策略都行之有效,较为显著地提高了CoSaDE性能；CoSaDE找到近似最优解所耗时间要比SapsDE少许多；但对于高度不可分问题,由于缺少关联信息,CoSaDE的性能表现稍差。3.提出了基于多目标差分进化的可逆逻辑综合。通过对可逆逻辑设计问题的系统研究,将可逆逻辑综合抽象为一种带强约束的多目标优化问题,并针对多目标优化问题的特点,基于种群自适应调整的差分进化算法,利用协同进化的多种群策略处理多个目标,提出了一种多目标协同差分进化算法(简称CoMDE算法)。在该算法中,使用种群选择和调节策略构成的种群更新方案,利用基于Pareto最优的评估方法对候选个体进行适应度评价。基于该算法,通过将性能指标抽象成为目标函数,采用基于门阵列模型的网表级编码方案表示候选电路(该编码后电路被作为进化个体),借助修复与化简策略,建立了可逆逻辑进化综合方法。针对部分可逆逻辑标准测试电路的综合实验结果证明了该综合方法的有效性：无论与常规的可逆逻辑综合方法相比,还是与两个基于启发式算法的综合方法相比,该方法均表现出了较好的性能。