差分进化算法是一类新型进化计算方法,它具有全局优化性能好、结构简单和易于实现等优点。由于其巨大的应用潜力和发展前景,差分进化算法引起了国内外研究人员的广泛关注。目前,差分进化算法已在众多领域中得到了广泛的应用,其研究成果已涉及到多个相关学科。调度优化、连续优化和约束优化问题在数学和工程实际中十分普遍,因此,对这三类问题的研究具有十分重要的理论和实际意义。围绕上述三类问题,本文对基于差分进化的优化算法及应用进行了深入的研究,主要工作如下1.针对具有组合特征的调度优化问题,对传统的差分进化算法进行了改进,提出了排列差分进化算法(简称为PDE)和混合排列差分进化算法(简称为HPDE)。算法采用排列来表示问题的解,并根据排列的特征,提出了新的基于位置的减法与加法运算,用于构造变异操作。同时引入了基于排列的交叉操作,用于产生新的个体,这些操作可以保证解的可行性。此外,为了加快解的评估和进一步提高寻优性能,结合零等待调度问题的特征,基于空闲时间增量矩阵,建立其非对称旅行商模型(简称为ATSP),并提出了一种基于快速组合启发方法(简称为FCH)的局部搜索策略。将HPDE用于求解带有准备时间的大规模零等待批处理调度问题,结果表明该算法能快速发现高质量的解,其性能要优于遗传算法、禁忌搜索和FCH等代表性方法,且HPDE具有的参数更少。2.为提高种群的多样性,避免不必要的重复搜索和跳出局部极值,将禁忌搜索与PDE结合,提出了基于禁忌搜索的混合排列差分进化算法(简称为HPDETL)。该算法利用Ulam距离来衡量两个个体间的相似性。通过设置候选解与禁忌列表中的个体之间的最小Ulam距离,以保证种群的多样性,提高全局搜索能力。并引入FCH局部搜索策略,以便发现更好的解。将该算法用于求解无等待流水线调度问题并与文献中的几种智能方法进行比较,结果证明了HPDETL的有效性。3.为提高组合差分进化(简称为CoDE)在连续优化问题上的寻优性能,对CoDE的个体生成策略库进行改进,提出了一种改进的组合差分进化(简称为MCoDE),并通过典型测试函数的比较研究,验证了MCoDE的有效性。在此基础上,提出了一种基于MCoDE和留一交叉验证(简称为LOO-CV)的自适应网络模糊推理系统(简称为ANFIS)的建模新方法。该方法利用LOO-CV方法对ANFIS模糊规则集进行化简,采用MCoDE算法对ANFIS模型的参数进行学习。将该方法用于铣削加工过程表面粗糙度的预测,结果表明该方法在小规模数据集的情况下能建立高质量的模型,得到了满意的预测效果。4.为求解带复杂约束的工程优化问题,将Oracle罚函数方法优异的约束处理能力和CoDE高效的搜索能力相结合,提出了一种基于改进Oracle罚函数方法和CoDE的自适应约束优化算法(简称为MOCoDE)。首先,改进了传统的Oracle罚函数方法,使其符合约束优化的标准,用于自适应的处理各种复杂约束。引入了一种通用的离散变量连续表示方法,将带有混合变量的复杂约束问题转换成一个只含有连续变量的无约束优化问题,再用CoDE进行求解。对测试函数优化结果验证了MOCoDE算法的可行性。将该算法用于优化源于工程实际的复杂约束优化问题,验证了算法的有效性,与报道的典型方法相比,该方法具有参数少、稳定性好等优点。