计算智能优化算法是对自然界智慧和人类智慧的模仿,因其智能性、并行性和健壮性,具有很好的自适应能力和很强的全局搜索能力,得到众多研究者的广泛关注.混合蛙跳算法(SFLA)是一种新兴的智能优化算法,该算法结合了模因算法的局部启发式搜索和粒子群优化算法的全局搜索两者的优点,在进化过程中先进行局部精确搜索,再利用子群个体间的信息共享进行全局搜索,两者相互结合直至找出全局最优解.SFLA结构简单容易理解、控制参数少,具有很强的全局搜索能力.差分进化算法也是一种新兴的全局优化算法,局部更新策略类似于遗传算法,采用差分变异操作、交叉操作和选择操作更新产生新个体.经过一代代反复不断的局部进化,算法的搜索方向慢慢向全局最优解的方向靠近.DE算法具有精确的局部搜索能力,鲁棒性较强,已成为智能优化算法的重要分支.目前,将差分进化算法的局部更新策略与其他优化技术相结合来提高算法的优化性能,已被广泛应用于各个领域,在科学研究和生产实践中发挥着重要的作用.本文针对混合蛙跳算法在寻优过程中易陷入局部最优和早熟收敛的缺点,利用差分进化算法的局部精确搜索的特点和蛙跳算法强大的全局搜索能力融合提出一种改进的差分蛙跳算法(DSFLA).该算法借鉴差分进化中的变异交叉思想,在前期利用子群中其他个体的有用信息来更新最差个体,增加局部扰动性,以提高种群的多样性;在后期为加快收敛速度使用最好个体的信息进行变异交叉操作.同时在每一次产生新个体后,都要进行改进的越界处理来动态调整变化尺度,再与子群最差个体进行选择操作选出适应值更优的个体.本文还使用归档集进一步保留种群的多样性.通过对五个典型的连续优化函数进行实验仿真,测试结果表明DSFLA无论是在求最优解的稳定性上还是质量上都明显胜于SFLA和SFLA-AV,在前期保持种群多样性和后期提高收敛速度避免算法早熟都起到了较好的效果.最后,本文将改进的DSFLA运用在物流中求解带容量约束的车辆路径优化问题上,采用实数编码方式初始化种群,利用DEB规则处理约束问题,实验仿真得到多种优化路径,可为实际物流问题提供多种调度方案.