随着科技的发展,许多来自工程和社会领域的问题变得越来越复杂,随之而来的是求解这些问题变得越来越困难了,传统的优化方法已经不能够满足当前问题求解的要求。而群体智能优化算法作为解决这些问题的一种方案,能够很好的解决这些问题,因此越来越受到世界各国研究者的重视。差分演化(Differential Evolution,以下简称DE)算法是近年来一种流行的群体智能优化算法。由于它操作简单、控制参数少、鲁棒性强等特点,使得算法在优化领域所受到的关注逐年增长。然而,DE算法在实际优化当中仍然存在一些不足,如:算法控制参数的敏感性,合适的变异策略难以选取及算法局部寻优能力并不突出等。针对这些不足,本文在对传统DE算法研究的基础上,提出两种不同的改进DE算法,主要的工作如下:首先详细介绍了DE算法的提出、基本原理、操作流程及研究意义,给出了DE算法的流程图和伪代码。对国内外DE算法的研究进展进行了简单阐述,对相关改进DE算法进行分类归纳,总结了算法的优势和不足。与大多数智能算法类似,DE算法本身缺乏局部寻优能力,这也导致算法在演化过程中收敛速度变慢,不能够以较少评价次数或者演化代数收敛到问题最优解。为保持种群的多样性,防止算法过早的陷入局部最优,加强局部的搜索能力及加快收敛速度,提出一种基于精英解学习的邻域搜索差分演化算法。使用13个基准测试函数对提出的算法进行了测试并与几种经典的改进算法进行比较。实验表明,提出的算法在收敛速度和解的精度上有较大的优势。DE算法的性能主要取决于变异策略和控制参数,控制参数的不同往往对最终的结果有着很大的影响。一般来说,在使用DE算法求解问题之前,需预先设定好控制参数和变异策略。但是在求解问题过程中,使用试错法来调整合适的参数是非常耗时的。同时算法在局部搜索能力不强,在演化过程中少部分个体会出现停滞现象。针对以上不足,提出一种混合区域搜索策略的自适应差分演化算法。通过25个测试函数对提出的算法性能进行评价,结果显示,提出的算法优于近年来的几个知名算法。