差分进化算法(Differential Evolution, DE)是由Storn和Price提出的一类全局搜索能力较强的新型智能优化算法，该算法基于实数编码，具有操作原理简单、控制参数少、稳定性强、鲁棒性高和易于实现等优点。因此，该算法在进化计算领域的认可度越来越高，适用性越来越广泛。本文详细介绍了标准DE算法，分析了标准DE算法的优点和不足，针对算法在优化函数时存在的问题进行了改进，并研究了算法控制参数的自适应调整方法，最后通过数值实验证明了改进算法的有效性。
　　论文的主要研究工作如下：
　　(1)详细介绍了DE算法的研究意义、基本原理及操作流程，给出了DE算法的工作流程和执行伪代码，介绍了几种常见的DE扩展形式，通过分析国内外DE算法的研究进展，对DE算法的相关改进进行分类归纳，并将DE算法与遗传算法等其它算法进行比较，总结了该算法的优势和不足。
　　(2)在DE算法的搜索过程中，融入了一种局部搜索能力较强的算法——模式搜索算法，将DE算法的强全局搜索特点与模式搜索的强局部搜索特点相结合，弥补了DE算法局部搜索能力弱的缺陷，形成一种超越母体算法性能的新算法。同时，新算法还引入了一个早熟收敛判断机制，即在优化时首先执行DE算法的基本操作，若算法搜索后期陷入了局部收敛，再进行模式搜索，更新搜索后种群的最优个体及最优适应值，从而改善算法的性能。
　　(3)在基本DE算法的基础上，设计出一种改进的参数自适应差分进化算法。根据种群个体的适应值的大小调节变异因子，变异因子随着生成差分矢量的两个个体在可行解范围内的位置进行自适应调节，交叉因子根据变异个体向量适应值的大小自适应调节，同时将变异、交叉和选择后的每一代个体与新的随机群体进行种群外竞争，使竞争后的个体以较好的稳定性及较快的速度向最优解逼近。最后将改进算法与基本DE算法进行性能比较测试，测试结果证明了改进算法的可行性与有效性。