差分演化算法是模拟生物群体进化行为而提出的一种启发式算法,具有流程简单、控制参数少、易于实现等优点,从提出至今得到了广泛地关注,被应用到许多领域;但同时也存在局部搜索能力差、易早熟等问题,有待改进。围绕优化改进的目标,本文做了以下方面的工作:将其它优秀策略/算法如反向学习、柯西变异等集成到差分演化算法中,利用它们的优点来提升算法的性能,通过实验仿真验证了改进算法的有效性;分析各类变异策略的特性,提出一种基于自适应变异算子,进行了仿真实验,并将之运用于求解资源受限项目调度问题。具体工作包括:(1)提出一种集成柯西变异和反向学习的差分演化算法。将柯西变异作为一种单独的变异策略运用到差分演化算法中,再结合反向学习策略,让两者的性能进行优劣互补:以一定的跳变概率自由随机地选择代跳转策略,综合反向学习策略的全局搜索能力、柯西变异策略的局部搜索能力及扰动功能,更好地引导进化。(2)提出一种基于自适应变异算子的差分演化算法。给出个体向量粒子及维度层定义,并提出了基于维度层加权的异维维度选择策略;依据种群聚集度的思想,提出一种基于种群聚集度自适应的变异算子,该算子能根据种群个体当前的种群聚集度自适应地调整DE/best/1变异算子和加权异维学习变异算子的变异权重,更好地加快算法收敛。(3)将基于自适应变异算子的差分演化算法应用于求解资源受限项目调度问题。充分利用基于种群聚集度自适应的变异算子的种群多样性强、不易陷入局部最优和收敛速度快的特点,快速高效地找到最优的项目调度安排。