差分进化算法(Differential Evolution Algorithm,简称DE算法)是一种新兴的进化算法,采用基于差分的变异策略,具有独特的记忆功能能够动态跟踪当前搜索情况.其原理简单,便于实现,具有较强的收敛能力和鲁棒性,能够有效地处理复杂优化问题且不依赖问题的具体特征.目前,差分进化算法已在众多领域中得到了广泛的应用,其研究成果已涉及到多个相关学科.变异策略对差分进化算法的成功与否起到至关重要的作用.然而,方向信息在DE变异策略的设计当中并没有被充分地挖掘,且对于如何平衡进化速度和种群多样性这两者之间的矛盾也没有得到很好的解决方案.本论文研究了个体在进化选择操作前后产生的差量信息在变异操作上的导向作用,提出了一种新的基于进化方向的变异策略"DE/current-to-pbest/1/Gvector".同时,为了测试我们这种新的方向信息能否提高算法的优化能力,我们在自适应差分进化算法JADE的基础上提出了一种新的算法DVDE.本文对CEC 2005常用的25个测试函数做了仿真实验,实验结果证明DVDE的算法平均性能优于其他5个目前来说性能最好的DE算法(JADE,SaDE, CoDE,jDE, EPSDE),特别是对于单峰函数,效果更为明显.实验结果也说明进化方向的加入对于提高算法的收敛速度以及保护种群的多样性避免算法过早陷入局部最优起到了较好的作用.K-means算法是一种典型的划分式聚类算法,对于大型数据集的处理十分的有效.但是,K-means算法需要事先确定聚类个数.本论文将改进的DVDE算法用于K-means聚类,提出了一个新的基于DVDE的自动聚类算法(AC-DVDE).首先,本文采用双交叉策略,在传统的两点式交叉操作之后,针对DE用于自动聚类时的特定的编码方式,添加了一种基于个体间聚类中心随机交换交叉策略;其次,针对聚类中心选取方法的随机性导致的聚类中心有可能偏离数据集或者聚类中心过于集中的缺陷做出了相关改进,通过先对聚类中心进行筛选在进行聚类,有效避免了因算法本身的随机性导致的错误聚类划分.通过对UCI的4个数据集的仿真实验比较,该种双交叉操作的聚类算法明显好于同类算法.