演化算法是受大自然智慧的启发而设计出的一种算法，也就是仿照生物演化过程设计的一种新的全局优化方法。演化算法不受问题具体特征的限制，具有通用、简单、并行处理等优点。演化算法因较好地解决了复杂全局优化问题的求解被大家所认识，它包括多种算法，如遗传算法，粒子群算法，差分演化算法等。
　　在计算机科学中，全局优化问题是一个相当有研究价值的领域，并且很多的实际决策问题需要用全局优化方法来解决。由于差分演化算法很好地解决了全局优化问题，已成为比较常用的演化算法。差分演化算法采用实数编码方式，使用群体智能模式实现问题解的搜索。差分演化算法原理和遗传算法十分相似，如父代生成子代的操作均包括变异、交叉和选择。
　　本文主要研究差分演化算法，提出了改进策略，并将其应用到图像聚类问题的研究上，取得了较好的效果。主要研究内容如下：
　　（1）基于中心采样的概念，本文提出了随机采样方法。中心采样的原理是在搜索空间中，其搜索区间的中心有很大概率接近问题的解。随机采样则是对中心采样的扩展，随机采样扩展了差分演化算法的搜索空间。与中心采样相比，随机采样特点更灵活有效。
　　（2）由于差分演化算法擅长全局搜索整个解空间，然而，差分演化算法对解的局部区域开拓相对缓慢。为了改进差分演化算法的求解性能，本文将随机采样，高斯采样和一步K均值聚类方法结合到差分演化算法中，旨在试图提高差分演化算法的对解得局部区域的开拓能力。提出的差分演化算法命名为基于高斯采样和随机采样的聚类差分演化算法（GRCDE）。本文将GRCDE算法与其它演化算法进行了比较，实验结果表明，高斯采样和随机采样会显著的加快收敛速度，提升差分演化算法的求解能力，表明GRCDE在对复杂的全局优化问题中有很好地求解能力，改进的算法比经典差分演化算法具有更好的求解性能。
　　（3）将改进后的差分进化算法应用到图像聚类问题上，并设计了基于图像聚类的评估函数。通过实验，对基于差分演化算法应用于图像聚类问题作了比较分析，结果是：在收敛速度和聚类效果上，GRCDE算法都优于经典差分演化算法。