随着微电子技术和计算机技术渗透到各个科学领域,人类正在步入一个技术迅速发展的新时期。计算机科学与其他学科的交叉产生了许多新学科,推动着科学技术向更广阔的领域发展,正在对人类社会产生深远的影响。科学技术的发展和工程应用的需要,特别是对计算速度和人工智能的需要,人们期望寻找一种高效的智能算法。进化算法通过模拟某一自然现象或过程来解决问题,具有高度并行及自组织、自适应、自学习等特征,因而逐渐受到人们越来越多的关注。近年来,一种新颖的演化算法即差分进化算化(Differential Evolution,简称DE)在各种演化算法中脱颖而出,该算法是Rainer Storn和Kenneth Price为求解切比雪夫多项式而提出的,已在约束优化计算,模糊控制器优化设计,神经网络优化,滤波器设计等方面得到了广泛地应用。与遗传算法(GA),粒子群优化(PSO)等智能算法相比,差分进化算法具有实现简单,稳定性强,获得近似解速度快等优点,在非线性函数优化中得到广泛应用。但和其它进化算法一样,标准差分进化算法易陷入问题局部最优,算法仍存在早熟现象。针对目前标准差分进化算法存在的不足,本文的主要工作是改善标准差分进化算法的性能,提出一些改进的差分进化算法,并将该算法应用于数值计算问题,主要包括多项式求根、神经网络的训练、动力学模型参数估计等。最后通过数值实验,计算机仿真结果表明本文提出的改进差分进化算法能克服传统计算方法的不足,所取得的结果具有较大的理论价值和应用价值。