差分进化(Differential Evolution，DE)是一种基于群体差异的启发式随机搜索算法，因原理简单、受控参数少、鲁棒性强等特点，引起了越来越多的学者关注而且在许多方面得到了广泛应用。DE包含许多差分策略，其中研究最多、应用最为广泛、最具有代表性的两种差分策略是DE/rand/1和DE/best/1。但是这两种差分策略本身也有一定的不足。存在着早熟收敛、局部搜索能力差的问题。因此，为了提高差分进化算法的性能，有必要根据差分策略的特点对算法进行改进。本文围绕这一目标，主要作了以下几个方面的研究工作： 第一，综述了算法的基本形式及多种改进形式。阅读并总结了近年来有关差分进化算法改进及其应用的相关研究成果，将主要改进思想方法进行归类、比较和整理。 第二，提出在进化过程中并行交叉使用DE/rand/1和DE/best/1差分策略，并应用聚集度因子进行种群重构，缩小了种群重构后的搜索范围，有效地避免了种群重构的随机性。仿真结果表明，改进算法与使用单一差分策略的差分进化算法及PSO算法相比，其寻优能力显著提高。 第三，研究了差分进化算法进化停滞与早熟现象的原因，提出了辅助种群的改进策略：利用一个辅助种群记录历史信息，通过对历史信息的数据挖掘，解决算法多样性和方向性之间的矛盾；并提出一种新的扩展方向搜索算子，改善DE/rand/1的寻优性能。试验结果显示改进策略的性能优于DE/rand/1和PSO。 第四，针对建模在应用中带来的不便，以及不确定性的因素造成的被控对象时变和非线性，基于ITAE控制律，提出了差分进化PID控制器在线进化结构，实现了PID参数在线整定。该方法不要求事先获取被控对象的精确数学模型，因而具有一定的工程应用价值。