量子控制与许多新兴领域如原子物质、分子化学和量子信息科学紧密相关,目前已经成为发展量子技术的基础任务之一。研究人员陆续研究出一些适用于量子系统的控制手段,如量子最优控制理论、基于李雅普诺夫控制和闭环学习控制策略等。其中,闭环学习控制是一种适用于复杂控制任务的有效方法,在分子激光的控制上已经取得突破性成就。闭环学习控制是一种为量子系统设计最优控制的有效策略,它的核心在于为闭环学习的过程设计合适的优化算法。在系统模型已知的情况下,基于梯度的学习算法可以有效地为系统设计最优控制场,但是控制设计受限于系统模型和梯度信息,且复杂的量子控制问题往往存在局部最优解。差分进化算法作为一种全局搜索算法,容易实施,空间搜索复杂度较低,在大规模复杂优化问题上展现出强大的搜索能力和学习性能。本文提出一种基于混合策略的差分进化算法(Equally Mixed Strategies Differential Evolution,EMSDE),并将其用于量子系统的闭环学习过程设计:此外,针对量子系统中的不确定参数,本文基于样本学习思想,改进EMSDE的目标函数,极大增强学习控制的鲁棒性。为验证算法的有效性,本文选取三类量子控制基本问题,包括开放量子系综控制、超导量子电路的鲁棒控制和量子网络的同步态实现。仿真结果表明,改进的差分进化算法即EMSDE,能够实现对不同量子系统的有效控制,展示其在复杂量子系统控制中的应用价值。