演化算法与分析方法的结合是机器学习领域近几年的一个研究热点。基于超限学习机(Extreme learning machine,ELM)的半监督分类算法在室内定位等领域有广泛的应用。本文研究差分进化演化算法与基于ELM的半监督分类方法的结合。该问题的研究刚刚起步,已报道的相关工作很少。现有方法分类准确率尚不够高,不能完全满足市场决策的需求。针对上述问题,本文提出了一种基于差分进化(Differential evolution,DE)和超限学习机的半监督分类算法(Semi-supervised classification based on DE and ELM,DE-ELM-SSC)。与最新Tri-DE-ELM(Modified ELM algorithm based on cooperative training and differential evolution)方法相比,DE-ELM-SSC根据训练数据集进行了差分进化策略的选择,其主要步骤包括:(1)根据均方根误差从3种典型的差分进化策略中选出一个适合目标数据集的最优进化策略;(2)将该最优进化策略应用于DE算法;(3)基于使用最优策略的DE算法,优化ELM的随机网络参数;(4)以上一步优化后的ELM为基分类器,采用Tri-training技术构造半监督分类预测模型。DE-ELM-SSC虽然提高了分类准确率,但是存在缩放因子取值固定问题。因此,本文不失一般性地选择一种常用的缩放因子自适应方法,然后采用指数方法改进其自适应函数,得到优化后的DE-ELM-SSC~+算法,能进一步提高算法的分类准确率。UCI标准数据集上的大量实验结果表明,DE-ELM-SSC~+算法能根据数据集选择合适的进化策略,并自适应调整缩放因子,获得比Baseline方法更高的分类准确率,且在绝大多数实验数据集上所需的训练时间不变或更少。