随着科学技术的不断发展与进步，最优化问题成为了研究的焦点。演化算法是一类摹拟自然界生物的仿生算法,包括差分进化算法以及人工蜂群算法等。自适应、自组织、自学习是此类算法最明显的特性,而且此类算法在进行目标搜索时受到搜索空间的影响很小(如目标函数的可微、可导)。近年来，演化算法研究取得了较大的发展，主要集中在对于算法搜索效果的改进以及算法收敛效率的衡量。对于算法的改进主要从算法的收敛速度，算法的全局搜索能力以及局部搜索能力方面入手，以改进算法的机制为主要方法。毫无疑问，复杂网络的兴起为演化算法的研究开创了一种新的局面。利用复杂网络研究演化算法是一种新思路。大量真实的系统能够通过复杂网络来刻画，如河流网、交通网以及更为复杂的科研引用网等。将实际系统中的元素假设成节点，元素与元素的联系假设成节点之间的连边，由节点和节点之间的连边所组成的整体即为网络。复杂网络对系统结构形态的可视化将系统研究提升到网络层面，为观察系统的拓扑结构、分析系统个体之间的影响力以及系统整体特性等提供了新的方法。在复杂网络研究中,网络拓扑结构的研究至关重要。演化算法进化过程中种群的拓扑结构非常复杂,仅用文字或者统计数据来表示其种群结构,会导致信息的缺失且观察起来非常困难，借助复杂网络工具可以将种群拓扑结构以网络的形式直观、方便地表示出来，为认识算法种群的内部结构、掌握种群个体间的信息交互以及挖掘隐藏在种群个体之间的有价值的信息提供了便利。本文以算法迭代结束之后种群拓扑结构为基础，借助复杂网络对于差分进化算法以及人工蜂群算法的种群拓扑结构进行分析。通过本文的实验验证了复杂网络在分析演化算法方面的有效性：(1)复杂网络能够实现种群拓扑结构的可视化；(2)演化算法种群个体形成的网络具备一些复杂性特征。本文的主要工作为：(1)在满足规定的建模准则条件下，对人工蜂群算法、差分进化算法进行了网络建模。(2)对人工蜂群算法、差分进化算法迭代结束之后的种群拓扑结构信息以网络的形式记录，并借助Pajek工具对人工蜂群算法、差分进化算法的信息流网络实现了可视化。(3)对演化算法信息流网络进行网络统计特征分析，结合网络邻接矩阵展示演化算法机制。由于网络的拓扑结构与网络的度分布密切相关，因此研究了演化算法信息流网络的度分布特征。实验表明差分进化算法网络是无标度网络，其度分布服从幂率分布，而人工蜂群算法是随机网络，信息流网络度分布为泊松分布。(4)实验中，对人工蜂群算法以及差分进化算法分别选取控制参数。在控制参数取某一特定值的情况下，两种算法分别独立测试十个函数，并同时记录算法的测试结果以及相应的信息流网络平均度。实验结果表明，算法控制参数的改变提高算法收敛效率的同时，演化算法信息流网络平均度也逐步增大。即算法寻优效果较好的情况下，对应信息流网络的平均度也较高。