差分进化算法是Rainer Storn和Kenneth Price于1995年提出的一种简单而有效的不确定性搜索方法。由于DE算法基本原理简单，受控参数少，进行随机、并行的全局搜索，已在机器智能、模式识别等多个领域中得到了广泛应用，并取得了良好的效果。虽然差分进化算法相比于其他的算法表现突出，但是基本差分进化算法同样具有其他所有智能算法的缺点，存在收敛速度和收敛精度的矛盾以及早熟收敛的问题；此外，算法还存在搜索停滞的问题，即：在搜索的过程中也许突然停滞，种群甚至不收敛到局部最优点或者其他的任何点；最后，差分进化算法对于参数的选择比较敏感，而且同一参数较难适应不同的问题。因此，本文在现有研究的基础上对算法的性能进行了研究和分析，并对算法进行了改进和应用。首先，综述了课题的背景和研究目的。通过对大量文献的阅读和分析，总结了优化研究领域内的主要算法及其特点；介绍了差分进化算法的研究背景以及优缺点。其次，对差分进化算法的基本原理进行了详细介绍，针对差分进化算法的自身特点，分析了主要的改进方向，总结了最近几年已取得的主要研究成果。再次，针对差分进化算法存在的问题，通过对现有文献的分析和研究，提出了两种改进算法。这两种改进方法都是通过改变进化模式和完善相关参数选取来实现算法性能的改善。通过将两种进化模式进行结合，改善了算法的搜索能力，并且在进化过程中采用自适应参数的方法来增强算法的适应性，一定程度上降低了算法对参数的敏感性。通过典型的benchmark函数测试，结果表明该算法具有较高的搜索精度和收敛速度，具有较强的全局寻优能力。最后，针对差分进化算法的特点，将其应用于太阳自动跟踪控制中。在浮空器的供电系统中，为了充分利用太阳辐射，减轻浮空器的负重，需要对太阳进行跟踪控制。通过仿真分析可知：经过差分进化算法优化的参数可以使跟踪系统实现对太阳快速而准确的跟踪。