从人类出现以来,最优化的解决问题一直是人们在生产生活中所追求的目标。在探索解决问题方法的长期的道路上,人类不断地优化着自己的逻辑方法的同时,也在生存的自然空间,学习探索着生存的经验和技能。自然界存在着无数的规律和规则,人类在万年的文明历史中,逐渐意识并掌握了这些规则。在现代社会,随着电子计算机的诞生,许多现实中的优化问题可以借助计算机的模拟,使得自然界生物的行为和规则计算仿真得以智能化实现,这种计算被称为仿生智能计算。仿生智能在优化问题求解和实际应用中发挥了重要作用。差分进化算法借助达尔文种群“优胜劣汰,适者生存”的进化原理,是仿生智能计算中一个重要的分支。由于算法的操作简单,且参数较少,众多研究者投入于算法的研究中,并提出了大量的优化的差分进化算法。从差分进化算法的变异、交叉和选择的三个基本操作和对应的数学模型中可以看出,搜索效率明显取决于算法控制参数的设置。近年来,针对算法的控制参数的适应性和约束型概念,研究者提出了各种各样的进化优化策略。但是,目前差分进化算法的泛化能力并不好,多为针对某种或几种特定的问题,通常会选择比较算法整体的效果。群智能计算中会设置种群多样性这一概念,这一思想是研究种群行为的重要的思想。在众多的研究中,算法的参数适应性和约束项的优化,一直是算法改进的重要策略。本文从优化问题入手,介绍了优化问题的发展和国内外发展现状,引出本文需要研究的差分进化算法和种群多样性两个概念。论文针对种群多样性的定义及其数学模型以及差分多样性的三个基本操作的数学模型做出介绍,三个基本操作是本文的整体算法框架。针对差分算法寻优过程中,种群的搜索范围是固定搜索范围的搜索方式,本文将引入种群多样性的这一约束原则,本论文工作如下:(1)针对本文涉及到的JADE算法,深入分析出变异策略的参数的选择的单一性问题以及更新的随机性问题,提出解决思路,为解决JADE算法泛化问题,对SHADE算法的参数列表索引进行深入的分析,由搜索成功个体的记录决定下一步个体的参数选择,实现参数的适应性选择,并在索引列表中对确定位置的参数更新。这一工作作为本文算法的整体架构的基础。(2)针对现有的差分进化算法中,一旦种群规模确定后,搜索范围的大小的选择单一的问题,本文在控制搜索范围大小的参数p上,根据种群多样性全局搜索和每代搜索时出现的实验经验,将种群多样性进行归一化处理后,作为搜索范围的一个约束因子,保证每个个体可以受多样性的条件约束后,在动态搜索范围中寻得最优解,保证差分进化算法在取得全局最优解同时,保证局部最优的近似满足。(3)论文在图像配准操作出了应用实验,验证了提出算法的实用性。且在10种准则benchmark problem函数上,与多种现有的先进算法比较排名,算法的整体精度优于其他算法。