近年来,计算智能领域飞速发展,特别是演化计算,作为一门新兴学科发展相当迅速。演化计算中用到所有算法统称为演化算法,主要包括演化规划、演化策略、遗传编程、遗传算法等。演化算法具有自适应、自搜索、并行性等特点,己在很多工程领域得到广泛应用。差分演化算法是连续搜索空间上全局优化的有效算法,已被证明是解决实值优化问题的有效候选算法。差分演化算法表述简洁,并且易于操作,由于其特有的较强优越性,它已在诸多领域中得到广泛的应用。如工程设计、生物与化学工程、控制工程、电力调度与规划、神经网络与模糊控制设计、信号处理等。本文仅仅研究了自适应差分演化算法的两个改进算法及其应用。首先分析了标准差分演化算法中控制参数对算法的影响,设计了基于个体适应值的自适应差分演化算法；其次为了将自适应差分演化算法应用于求解组合优化问题,本文设计了基于集合的自适应离散差分演化算法；再次,本文将基于自适应差分演化算法应用于模糊核聚类算法中；最后,研究基于自适应离散差分演化生成安全椭圆曲线的问题和生成De Bruijn序列的问题。本文的主要研究内容和创新点具体如下：1.提出基于个体适应值的自适应差分演化算法。差分演化算法中存在种群规模NP、缩放因子F和杂交概率CR等3个控制参数。对于大多数优化问题,这些控制参数会直接影响算法搜索结果,即搜索最优解。同时这些控制参数也会直接影响算法的收敛性能,针对不同的问题需要进行不同的设置。很多专家建议种群规模NP∈[5D,10D],缩放因子F∈[0,1],杂交概率CR∈[0,1]。对于标准差分演化算法,在演化进程的不同阶段,个体的差异性是不一样的。这是由于个体在搜索空间所处的位置不同所造成的,于是设定差分演化算法的控制参数无法满足算法在不同阶段的性能要求。在差分演化算法中,其缩放因子F和杂交概率CR等控制参数的选择会直接影响算法搜索结果,即搜索最优解。因此,应考虑缩放因子F和杂交概率CR能够随着个体的适应值动态调整。杂交概率用于表示待变异个体的基因选入新个体的概率。当前大部分差分演化算法的参数自适应机制利用参数的随机调整策略。仿真实验显示随机调整策略仅在参数设置不合适的情况下才算是一种好的选择。但是参数的随机调整忽视其有效性可能导致丢失高质量的参数值。因此,在本文的自适应差分演化算法中保留了产生高质量个体的参数设置,只调整不能产生高质量个体的参数。本文提出了一种基于个体适应值的自适应差分演化算法(The Individual Adaptive Value Based Self-adaptive Differential evolution Algorithm, IAVBSaDE)从仿真实验结果来看,本文提出的自适应差分算法在多个函数中得到更好的结果。个别函数得到与真实最优解相同的结果,真正找到了最佳解决方案。总之,本文提出的算法具有较强的竞争力,在四种算法结果中优于或近似于迭代运算的最优解。2.提出基于集合的自适应离散差分演化算法(SBSaDDE)。差分演化算法是连续搜索空间上全局优化的有效算法,已被证明是解决实值优化问题的有效候选算法。差分演化算法表述简洁,并且易于操作,可它能收敛到搜索空间的期望区域,找到一些问题的最优解。然而,标准差分演化算法仅限于解决连续决策变量的问题。所以,将其应用于组合优化问题非常有限。旅行商问题被认为是经典的离散优化问题。同时,差分演化算法已被证明是一个强大的演化算法,但是它的变异过程包含一系列的算术运算都是作用在连续空间。最近几年,研究人员开始致力于使用差分演化算法来解决组合优化问题。许多相关的研究大都集中在改进差分演化算法来解决基于排列的组合优化问题。为了将自适应差分演化算法应用于求解组合优化问题,本文提出了一种基于集合的自适应离散差分演化算法。为了使算法能够刻画旅行商问题的离散搜索空间,候选解向量和算术运算子都是重新定义的。通过数值试验,提出的方法被证明在质量和前景上都是有效的。通过将SBSaDDE与当前最前沿的离散差分演化算法—离散差分演化算法(DDE)、带有最小值定位变异策略的离散差分演化算法(DDE-SVP)。这些离散差分演化算法的参数设置遵照原文中的参数。仿真结果表明：本人提出的算法不论在平均解还是最优解都胜于DDE和DDE-SVP等离散差分演化算法。3.提出基于自适应差分演化算法的模糊核聚类算法。模糊C均值聚类算法和模糊核聚类算法都是基于目标函数的聚类算法,目标函数的全局最值点对应着聚类算法的最优聚类结果,由于现实生活中具体的实际问题,其目标函数往往存在许多个局部极值点,而模糊聚类算法的每一步迭代,都是减小目标函数值,至少不增加目标函数值。因此,如果初始化时聚类算法落在一个局部极值点附近,就很可能会造成算法收敛到局部最优,这势必将影响聚类结果,使得算法不能实现全局最优。差分演化算法是一种简单高效且易于操作的并行搜索算法,具有特有的较强的全局搜索能力。本文提出基于个体适应值的自适应差分演化算法用于模糊核聚类算法(Self-adaptive Differential Evolution Based Kernel FCM, SaDEBKFCM),利用算法SaDEBKFCM得到更佳的聚类中心以及隶属度矩阵,其目的是增强两种模糊聚类算法(FCM, KFCM)的全局优化能力。通过仿真实验,在IRIS数据集上,相比其他三种方法,SaDEBKFCM聚类算法尽管平均运行时间稍长,但是该算法的聚类效果很好,比FCM和GAFCM两种算法的正确率有明显提高,比DEFCM算法的正确率稍有提高。4.研究基于自适应离散差分演化生成安全椭圆曲线的问题。随着云计算、物联网等新技术新应用的快速发展,椭圆曲线密码体制可以很好地运用于云计算安全、移动终端安全等安全应用。为了将差分演化算法应用于生成Koblitz安全椭圆曲线,本文提出一种基于集合的自适应离散差分演化算法生成安全椭圆曲线的方法,产生的安全椭圆曲线基域的范围、曲线的规模和产生的效率均超过美国国家标准与技术研究所(NIST)公布的相关参数。本文的算法搜索的安全椭圆曲线基于最大为1913比特,远超美国NIST公布的最高571比特基域,对现有的攻击方法起到很好的防护作用。同时,本文的算法在163比特以上的安全椭圆曲线基域为19个(a=0,b=1时有9个：233,571,1913等；a=1,b=1时有10个：163,283,701等),完全覆盖了美国NIST推荐的5个基域的安全椭圆曲线。5.研究基于自适应离散差分演化生成De Bruijn序列的问题。二元n阶de Bruijn序列是周期为2”的循环序列,在一个周期内每一个n比特串仅且出现一次。de Bruijn序列是稳定的,也就是说,1和0的个数相同,并且有良好的随机性。由于de Bruijn序列具有良好的统计特性,所以,它已成为常用的随机数生成方法,也是流密码等对称加密体制的密钥生成方法之一。本文提出基于自适应差分演化算法的随机化构造方法。该构造方法将de Bruijn序列模拟成一种特殊类型的旅行商问题(TSP),并试图找到最优解。对于n=3,4,…,10,每一个种群规模本文都是重复实验100次。如果输出旅行路径长度为2”,即找到了最优路径,那么就认为算法是成功的。实验证明,本文设计的基于自适应离散差分演化算法生成de Bruijn序列的模型,具有成功率高、运行速度快、算法易于编程实现、消耗的计算机内存资源小、搜索的序列数目多等优点。综上所述,本文在分析了已有的自适应差分演化算法的基础上,重点研究了基于个体适应值的自适应差分演化算法和基于集合的自适应离散差分演化算法两种改进自适应差分演化算法。通过将两种改进的自适应差分演化算法分别用于模糊核聚类、生成安全椭圆曲线和de Bruijn序列的算法等实际应用中。在研究中通过实验的方法证明了各算法的有效性。