进化算法是一类具有全局搜索性能的群智能优化方法,主要用于求解非凸、不可微、离散优化问题。差分进化算法是一种改进的进化算法模型,基于不同点之间的复合矢量方向产生新个体,具有一定的启发式搜索特征。它具有基因信息融合好、结构简洁、鲁棒性强等优势,在解决常见的最优化问题方面具有一定的优势。随着大数据时代的到来,工程和社会实践领域出现的最优化问题规模越来越大、结构日趋复杂,包括差分进化算法在内的经典进化算法因容易陷入局部最优而使求解这类问题的性能降低。本文针对全局优化、约束优化、多目标优化和递阶优化四个常用的最优化模型,基于差分进化算法的框架,通过结合问题特征,融入不同的优化策略,提高算法的性能,具体工作如下:1.针对复杂全局优化问题,采用分阶段、多策略融合的思想设计了新的差分进化算法。首先,在进化前期利用决策变量在决策空间中的分布状况,对目标值较差的个体求扰动反向解,增强算法的勘探能力;然后,在后代产生过程中融入精英共享策略,通过与好个体的基因交换,期望产生更好的个体;进一步,通过在不同进化阶段采用多变异策略融合技术,平衡算法的开采和勘探能力;最后,利用个体适应度差异的显著性检验技术,设计了自适应变异因子和交叉概率取值方法。与同类代表性算法对比结果表明,这些策略的融入有效提升了差分进化算法的性能。2.针对约束优化问题,考虑到紧约束条件导致算法很难找到可行解的情况,在差分进化算法设计中,以多种群、分阶段和约束处理为基础,构建了新的评价策略和约束处理技术。首先,在进化前期利用参考点建立动态调整线,并利用两个距离指标将父代种群划分为三个子种群;在进化后期,利用可行性条件将群体划分为两个子群体;然后,通过子种群的特点,选择对应的变异算子分别进行变异运算;最后,根据可行域周围不可解的分布信息,对不可行解进行分类并进行可行性转化,有效提高可行解的比例。仿真实验结果表明,本文提出的多种群协同进化和约束处理技术是可行有效的。3.针对多目标优化问题,通过利用局部最优个体信息和采取外部归档的方法,提出了一个多目标差分进化算法。首先,在进化过程中利用局部最优个体信息执行变异运算,并采用均匀设计思想建立启发式交叉算子,期望产生优质的交叉后代;其次,利用权重值对每个权向量设置外部存档集,存储有利于改进目标函数值的个体;然后,从外部存档集中随机选择个体执行变异操作;此外,利用目标值的相关信息建立变异因子的自适应调整策略,平衡算法的收敛性和个体的多样性。利用多目标进化算法常用指标值和几类算法对比可知,本文算法获得的非劣解集在个体分布和质量方面均体现了一定的优势。4.针对数据中心间弹性光网络的虚拟网络功能链部署问题,构建了一个新的双层优化模型,并基于分布估计算法和差分进化算法框架,设计了一个混合进化算法。首先,根据上层变量的取值特点,采用二进制编码的分布估计算法优化上层目标;然后,采用差分进化算法优化下层目标,在变异算子的设计中利用相关系数选择潜在的好个体,并嵌入优质个体产生变异后代,提高算法搜索效率。通过两个实例的计算结果显示,本文算法给出了更好的部署方案。