优化问题大量存在于科学研究和工程应用中的各个领域,进行最优化方法的研究具有重要的理论意义和实用价值。因此高效的优化技术成为科学工作者的研究目标之微分进化算法(Differential Evolution,简称DE)是一种新的群体智能优化算法。其主要特点是原理简单、参数少、收敛速度快、所需领域知识少。通过大量研究发现,DE算法具有很强的搜索能力,适合于解决复杂的优化问题。该算法已在函数优化、神经网络训练、组合优化等领域获得了广泛应用,并取得了较好的效果。但是由于它缺乏关于搜索空间的全局信息机制,有时会陷入局部最优。粒子群优化算法(Particle Swarm Optimization,简称PSO)是于1995年提出的一种基于群体的进化优化算法。PSO算法在整个种群中充分利用全局信息,有很强的全局搜索机制。但PSO算法由于缺乏保持种群多样性的机制,在寻优过程中容易陷入局部最优。而微分进化算法有很多优点,比如在保持种群多样性方面和良好的局部搜索能力方面。但是它缺乏全局信息的指导,容易导致浪费计算资源和陷入局部最优。所以将两种算法融合可以取长补短,互相促进。本文还将多智能体概念引入DE算法中,构造了“局部版”的DE算法。为了进一步克服DE和PSO单个算法在求解全局优化问题时的缺陷,本文提出了种新型的全局优化算法——协同微分进化算法(Co-evolutionary Differential Evolution,简称CDE)。CDE算法基于一种双种群进化策略,其中一个子种群中的个体按照PSO操作进化,另一个子种群的个体按照DE操作进化,在每次进化过程中利用一种信息交流机制交流寻优信息,避免各自种群陷入局部最优。该方法可以保证两个子种群在解空间中协调寻优,达到开发能力和探索能力之间的平衡,维持整个种群的多样性,降低了陷入局部最优的风险。针对无人机航迹规划的特点,本文将CDE算法应用于解决无人机航迹规划问题。对给定的三种战场环境进行模拟仿真,在满足各种约束条件的情况下取得了令人满意的效果,证明了该算法用于解决无人机航迹规划问题是有效可行的。