优化是控制科学与工程领域的研究热点。随着科学技术的发展、人类对研究对象认识的逐渐深入,优化对象往往呈现高度的非线性、复杂性和高维等特点,使传统的优化方法难以适用或无法求得全局最优解。随着现代智能优化算法的提出,其能以概率求得全局最优解,被广泛地应用于复杂系统优化问题。差分进化算法(DE)是一类具有较快的收敛速率、较好的鲁棒性、以及较高全局收敛概率的智能优化算法。DE算法控制参数的选取直接影响其寻优性能和效率；同时,随着优化搜索的进展,控制参数应具有自适应能力,为当前群体搜索提供最佳的算法控制参数。为此,本文研究一类控制参数协进化的差分进化算法,通过协进化策略实现控制参数的自适应性,进而提高算法的收敛速率与全局最优搜索概率；并通过仿真,以及在参数优化、约束优化、与动态优化问题的实际应用,表明提出算法的有效性与优越性。(1)提出一种控制参数协进化的差分进化算法(Differential Evolution Algorithm with Control Parameters Co-evolution, DE-CPCE)。DE-CPCE算法将控制参数作为原始个体的共生个体,且每一个原始个体都有各自的共生个体；算法在对原优化问题进行差分进化搜优的同时,以原始个体进化效率作为共生个体(即控制参数)的评价,并通过共生个体的差分进化操作实现其协进化。通过标准测试函数以及在SO2催化氧化反应动力学模型参数估计的实际应用,表明DE-CPCE算法优于SPDE和SDE等算法。(2)针对约束优化问题中惩罚函数的惩罚因子难以设定的问题,提出一种基于控制参数和惩罚因子协进化的差分进化算法(differential evolution algorithm with co-evolution of control parameters and penalty factors, CoE-DE)。该算法利用差分进化来对原始个体进行进化,A1opex算法对控制参数和惩罚因子进行协进化。通过标准测试函数以及在五个工程约束优化问题的实际应用,表明：CoE-DE算法优于SR算法,且与a SIMPILE的算法性能相当。(3)提出一种自适应差分进化算法(Self-Adaptive Differential Evolution,SADE)。在SADE算法中,每个个体都拥有自己的控制参数；算法对原优化问题进行差分进化搜优的同时,以权重大小来评价各个控制参数的优劣,并以加权控制参数作为控制参数的进化方向,实现其自适应调整。通过标准测试函数与在两个间歇反应动态优化的实际应用,表明：SADE算法优于JADE、IACA等算法。(4)针对化工过程的动态优化,提出一种基于Alopex算法的差分进化算法(Alopex-DE),在该算法中,每个原始个体都有自己的控制参数(即共生个体),差分进化操作用来搜索原始个体的全局最优解,Alopex算法用来对共生个体进行协进化和提高原始个体的适应度值。通过标准测试函数以及在化工过程动态优化中的实际应用,表明：Alopex-DE算法优于SPDE、SDE、FEP等算法。