差分进化算法（DE）作为一种新兴的基于种群的随机优化算法,由于其操作简单、鲁棒性强和控制参数少等优点,自从出现以来便快速吸引了来自不同领域的研究人员的关注。然而,传统的差分进化算法在解决复杂问题时往往会表现出早熟收敛和收敛速度慢等缺点。因此,开发了许多DE变体来改进其优化性能。反向学习（OBL）是机器学习中的一种新概念,其灵感来源于现实世界中实体之间的对立关系。许多软计算算法的性能通过使用反向学习策略得到了很大提升,反向差分进化算法（ODE）是其中的典型代表。然而,OBL、ODE及其变体算法仍存在着对优质解的搜索能力不强、种群多样性不足以及易陷入局部陷阱等不足。因此,本文将在此基础上对OBL和DE进行深入研究。本文主要研究工作如下:（1）在ODE算法的基础上,提出了一种基于高斯扰动的邻域反向差分进化算法（GODE）。高斯扰动策略的使用,能以反向候选解为中心建立搜索邻域,为找到邻域内更好的候选解提供了机会,同时也有效地增强了种群多样性。在高斯扰动策略中,充分利用种群中个体维度的动态区间边界信息,提出了三种自适应型标准差模型。此外,针对种群的不同进化阶段设计了一种多阶段扰动策略,以平衡算法的开发和勘探能力。（2）为了验证GODE算法的有效性,使用CEC-2014基准测试函数集进行了大量的仿真实验与结果分析。在不同维度上,将GODE与DE、ODE以及其他8种最先进的算法进行了充分比较。不仅对测试函数均值、平均最优函数值收敛曲线和箱线图进行了比较与分析,还采用了两种非参数统计检验方法:Wilcoxon signed-ranks检验和Friedman检验,对实验结果数据进行了显著性检验。从而验证了GODE算法的优良性能,也证实了高斯扰动策略的有效性。（3）在验证了高斯扰动策略的有效性之后,对其进行拓展研究。提出了一种新的OBL版本:基于随机重心的OBL策略,将高斯扰动策略与4种不同的OBL策略进行结合后嵌入DE中,研究并分析在DE算法中高斯扰动策略与不同类型的OBL策略结合使用后算法性能的优劣。