约束优化问题是工程和实践中的常见问题,实际问题中存在大量复杂约束优化问题。传统约束优化方法对待求问题的函数性质有严格要求。差分进化算法是一种随机搜索算法,具有较好的全局寻优能力,且不依赖函数的解析性质,因此被广泛研究。为了研究约束优化问题,本文分析了多种约束处理机制,并研究了差分进化算法的基本算子。差分进化算法的变异算子全局搜索能力过强,参数设置方式也有不足之处,并且在算法末期种群多样性变差。三角形变异算子是差分进化算法变异算子的一种,具有良好的局部搜索能力。针对单一约束处理方法和一般差分进化算法的不足,本文将差分变异算子与三角形变异算子结合,提出了几种改进方案。本文的主要工作如下:1、针对差分进化算法局部搜索能力的不足,本文通过引入三角形变异算子,基于参数自适应控制机制提出了一种改进的自适应约束差分进化算法。首先,该算法使用一般差分进化变异算子做全局搜索,使用三角形变异算子做局部搜索。其次,为了改进三角形变异算子导致算法收敛速度变慢的问题,引入了一种新的试验个体替换策略。然后,为了防止算法后期出现种群多样性不足,设计了一种多样性保持机制。最后,将改进的自适应差分进化算法在两类约束优化测试问题集上进行测试,发现改进的差分进化算法表现出了较高的求解精度与较快的收敛速度。2、针对三角形变异算子局部搜索能力过强的问题,本文通过改进三角形变异算子,进一步提出了一种新的混合变异约束差分进化算法。首先,混合变异约束差分进化算法使用参数池策略,提高了算法求解复杂约束优化问题的能力。其次,利用适应性罚函数法指导基础向量的计算,将全局优势个体引入三角形变异方程来改进三角形变异算子局部搜索过强的缺点。然后,引入进化策略选择方式加速算法收敛,同时算法对最差个体执行多样性保持机制。最后,在20个测试函数上对算法进行测试,3种统计分析结果表明,混合变异约束差分进化算法求解效果好,算法性能达到了当前的一些先进算法。3、针对同一个种群上使用多种变异策略导致不同功能变异算子间相互影响的不足,本文提出了一种基于双种群变异差分进化算法来改进这一缺点。首先,双种群变异差分进化算法的每一个种群分别使用普通差分进化变异算子和三角形变异算子。其次,两个子种群分别使用不同的选择方式。然后,为了使两个子种群之间进行信息交流,本文介绍了一种次级个体交换的迁移策略。最后,为了验证算法效果,本文将改进的差分进化算法应用到粒子滤波和目标跟踪中,三种目标跟踪问题的仿真结果显示,改进的差分进化粒子滤波算法的重采样效果优于顺序重要性采样。