差分演化算法是一种随机搜索算法,适用于求解利用常规数学规划方法所无法求解的复杂环境中的优化问题。目前,差分演化算法已经在许多领域得到了应用,如神经网络、化工、信号处理等。虽然DE算法得到了广泛的应用,但是算法本身仍存在一些缺点,如陷入局部收敛、适应度函数评估次数一定时算法不能取得理想的最优解等。因此为了提高差分演化算法的性能,本文对该算法进行了优化改进,创新点如下:(1)提出多维尺度分析的差分演化算法。传统的差分演化算法仅仅使用三个个体做差分、交叉、选择操作,个体信息利用率低。为了克服这一弱点,将多维尺度分析的概念与经典差分演化算法相结合,在种群的演化过程中充分利用了三个以上个体的信息,从而提高了算法的性能。(2)提出奇异值分解的差分演化算法。通过奇异值分解操作可以得到多个点的主方向,称为全局方向。将此思想应用到演化过程中,在种群中随机选择多个个体执行奇异值分解算法,求出的新个体的方向即为多个个体的整体方向,它指明了种群整体寻优方向。国际标准函数上的仿真实验表明,提出的算法在精度和速度上都优于其他的算法。(3)提出反向学习的奇异值分解差分演化算法。演化过程中,在考虑每个个体的同时考虑其反向个体,从中选择较好的个体进入下一代种群。丰富了种群的多样性,避免算法早熟收敛,极大的提高了算法的效率,在国际标准函数上证明了此算法的优越性。