随着科学技术的快速发展,在工程研究和社会生活等众多领域中产生了大量的信息和各种优化问题。对于这些问题的分析与解决,成为了各个领域的迫切需求,例如对列车节能的优化,投资组合的优化,生产调度的优化等。差分进化算法作为人工智能优化算法的一种,由于其解决不连续、不可导函数的能力以及算法本身的其它优越性能,对于其的应用研究引起了许多学者的关注。本文主要针对列车节能以及股票组合优化方法进行了研究。由于环保因素,列车节能优化在轨道交通系统中愈加得到学者的重视。本文在路程与时间确定基础上,对列车节能优化方法进行了研究。采用优化最大加速、巡航、惰行以及最大减速四个阶段控制点的思想,以能量消耗为目标,运用单目标差分进化算法寻找最佳节能运行策略。将轨道坡度变化、列车速度限制、最大加、减速度以及牵引力与制动力随列车速度变化等因素作为约束条件,并且采用两组实验来验证所提方法的有效性。结果表明。本文所提方法可有效地解决此列车节能优化问题,并且对实践操作具有一定程度的指导性。为了使投资者获得科学的投资决策,对股票组合优化进行了研究。针对马科维茨(Markowitz)的均值方差模型中各支股票权重之和为1的约束,提出了一种新的处理方法。股票权重在变量范围内随机初始化,按降序排列保留权重值直到之和为1,其余股票权重全设为0,解决了运用传统均值方差模型约束处理方法过程中存在的小头寸过多,投资者无法很好处理的问题;另外针对大规模股票组合优化问题,基于非支配排序以及相关的金融理论知识,提出了一种大规模股票组合优化的预选方法。为了验证所提方法的有效性,本文结合多目标差分算法(MODE)分别对中国金融市场的200以及1000支股票进行优化分析。仿真结果表明,本文所提出的约束处理方法在解决股票优化问题上具有可行性;提出的大规模股票组合预选方法可大幅度减少仿真时间,且在一定程度上提高了优化结果的性能。