约束优化问题是实际中经常用到的一类数学规划问题．近年来，约束优化问题的求解已成为进化计算研究的一个重要方向．差分进化算法因其原理简单、受控参数少、鲁棒性强等特点，引起了越来越多学者的关注，但是其本质上是一种无约束的优化算法，在求解约束优化问题时需要引入约束处理技术．从约束差分进化算法=约束处理技术+差分进化算法的研究框架出发，从两方面来考虑约束优化差分进化算法的性能具有理论意义和应用前景．本文首先对差分进化算法的研究背景和发展现状做了简要的描述，并就其原理、改进策略、较其他进化算法的优点和应用做了详细说明；然后对基于进化算法的约束处理技术进行分类，并对每类方法的研究现状做了综述；最后将复合差分进化算法与两种不同的约束处理技术相结合，提出了两种改进的约束复合差分进化算法．第一种改进算法基于惩罚函数法，利用自适应惩罚函数的约束处理技术，引入距离作为适应值函数，根据种群的可行率计算个体的距离，对每个个体施行两种惩罚，分别基于目标函数和约束违反程度；同时结合复合差分进化算法，保留后代种群中的较优个体．这样既保留了种群的多样性，又使得种群可以在寻找可行解和寻找最优解之间进行调节．数值实验结果表明，新算法与同类算法相比，具有较好的全局寻优能力和自适应性．第二种改进算法基于多目标法，将原问题转化为包含原目标函数和约束违反程度两个目标的多目标优化问题，运用多目标优化方法进行求解．该方法由两部分组成：种群进化模型和不可行解替换机制．种群进化模型中复合差分进化算法作为搜索引擎进化种群，利用Pareto支配比较个体，选择其中性能较好的个体；不可行解替换机制用于改善种群中个体的质量和可行率，进而引导种群向可行域逼近．数值实验结果表明，新算法的结果具有较高的计算精度和全局搜索能力．