优化问题广泛存在于科学和工程应用领域,传统的优化算法通常难以给出最优解或时间复杂度极高。在这种背景下,根据达尔文的"优胜劣汰,适者生存"原则,学者们提出了进化计算,用以处理复杂优化问题,并在工业生产制造、生产调度安排、城市规划等领域中获得了应用。差分进化算法（Differential Evolution,简称DE）是进化算法的一个分支,于1995年提出的一种求解非线性、高维和复杂优化问题的随机种群搜索算法。差分进化算法因为其优异的收敛性以及容易实现而引起了广泛的关注,已成为目前最受欢迎的随机搜索算法之一。但差分进化算法同时也面临着早熟收敛,易陷入局部最优以及操作算子选取困难等问题,因此研究一种高效的差分进化算法仍旧是一项具有挑战性的难题。本文主要就差分进化算法的全局搜索能力和局部搜索能力及其对变异策略的选取等方面展开了深入研究,提出了改善的差分进化算法,主要工作内容和成果如下:1.针对差分进化算法过早收敛和搜索停滞等问题,提出了基于多小生境采样和邻域交叉策略的自适应差分进化算法用于解决全局优化问题。该算法主要包含四种策略,即多小生境采样策略、邻域交叉策略以及自适应局部搜索和自适应消除策略。多小生境采样策略对每一代的种群进行采样操作,产生一个用于后续进化的子种群。在该策略中,利用某个小生境方法将整个种群划分为多个小生境,然后从所有小生境中动态采样生成后续进化的子种群,此策略支持在进化的早期阶段进行多样化搜索,而在进化的末期进行密集搜索。随后,邻域交叉策略与上述采样策略相结合,给子种群中的每个个体一个半径r用于圈定每个个体的邻域,该策略被用来鼓励高潜力的个体进行探测操作,同时低潜力的个体进行探索操作,从而适当地搜索解空间。另外,为了提升算法的局部搜索能力和加强解的精度,以及消除种群中某些表现很差的个体以节约资源,提出了自适应局部搜索和自适应消除策略。在基准函数测试集上的对比实验表明,所提出的多小生境采样策略、邻域交叉机制以及自适应局部搜索和自适应消除操作可有效提高差分进化算法的全局优化性能。2.针对差分进化算法变异策略选择困难和易陷入局部最优等问题,提出了基于虚拟种群和多突变策略的差分进化算法并用于求解多模态优化问题（MMOPs）。该算法包含了三个机制,即虚拟种群机制、多突变机制以及基于概率的局部搜索机制。首先,虚拟种群机制利用当前种群的分布情况,采用虚拟个体产生机制,得到一个虚拟种群。在该机制中,虚拟种群为当前种群的进化提供一定的帮助,但其本身不参与进化操作。其次,多突变策略利用了种群中个体的适应度情况,并将此策略应用在联合种群（虚拟种群和当前种群的联合）的不同个体上,此机制能够有效的平衡算法的探索和探测能力。最后,基于概率的局部搜索机制利用相应的概率适当地对高潜力个体进行优化操作,该机制可有效提升高潜力个体的精度。提出的算法在基于多模态的基准函数上进行了实验,结果表明提出的算法较其他比较的算法有更好的性能和具有竞争力。