科学及工程领域中的许多问题常常涉及到全局优化问题.随着计算机科学的快速发展及大数据的广泛应用,实际问题的结构越来越复杂、规模越来越大,进而增加了求解它们的难度.事实上,求解这些问题的主要困难在于:1)目标函数通常不具备可微、连续等一些良好的性质,从而无法直接利用一些有效的经典优化方法求解;2)问题的决策变量急剧增多及变量间的关系越来越复杂,使得其搜索空间呈指数增大且局部最优解显著增多,从而导致算法难以找到全局最优解;3)一些问题的特征并不能提前预知,且算法所处的搜索环境在寻优过程中不断发生变化,因而要求算法应具备适用不同类型问题及不同搜索环境的鲁棒性.尽管研究者们已提出求解全局优化问题的许多启发式随机优化算法,如遗传算法、粒子群算法、蚁群算法和免疫算法等,但它们往往收敛慢且易陷入局部极小.特别地,差分进化算法操作简单、收敛精度高且鲁棒性强,已广泛成功应用于各种实际工程问题.然而,差分进化算法在进化过程中仍无法有效调节个体的搜索性能（搜索范围、方向和控制参数）及避免计算资源的浪费（早熟收敛和停滞）.针对这些问题,本文设计了四个高效的差分进化算法,主要工作和创新如下:1.针对基于指导思想的变异算子仅利用基个体信息设置其参数及选择策略仅依个体适用度更新种群的缺点,分别利用指导个体的适用度及个体的位置信息,提出了一个基于个体信息参数设置和选择策略的差分进化算法.首先,为有效调节变异算子的搜索范围,利用基个体和指导个体的适用度,设计了一个基于个体的参数设置方法,使算法总能朝着有希望的方向进行搜索并充分利用了个体的有效信息.其次,为有效避免选择策略造成大量搜索信息的浪费,利用个体的适用度和位置信息,定义了一个新的加权适用度,结合贪婪选择,设计了一个基于多样性的选择策略,有效维持了种群的多样性.与已有基于指导思想的差分进化算法相比,所提算法结构简单,并利用基个体和指导个体的信息设置了控制参数以及个体的适用度和位置信息更新种群,有效提高了算法的寻优效率.2.针对组合变异策略中的概率选择参数在进化后期无法有效满足搜索需求及子种群间缺乏信息交流的缺点,分别引入余弦扰动和交换不同个体的信息,提出了一个基于信息交叉共享机制的差分进化算法.为增强算法在进化后期跳出局部最优解的能力,将余弦扰动引入概率选择参数,设计了一个随机混合变异策略,有效提高了不同算子在进化过程中的选择随机性.然后,为充分利用不同个体的信息,将种群按适用度分为优势和劣势两个子种群,并分别采用反向学习和二项式交叉操作共享或交换信息,设计了一个信息交叉共享机制,进一步增强了对优势个体的局部开发和对整个搜索空间的全局探索能力.与已有组合策略和多种群算法相比,所提算法结构简单.利用余弦扰动增强了进化后期的全局搜索能力,以及反向学习和二项式交叉操作促进了子种群间的交流信息,从而有效平衡了算法的全局探索和局部开发能力.3.针对基于邻域的变异策略未考虑当前个体的搜索特性及重启技术未考虑种群局部进化状态的缺点,通过刻画并充分利用个体的搜索特征,提出了一个基于邻域自适应进化机制的差分进化算法.首先,为有效调节当前个体的搜索能力,设计了两个新的基于邻域且具有不同搜索特性的变异算子和一个基于个体的概率参数设置方法,提出了一个基于邻域的变异策略,使每一个体能动态利用合适的搜索算子.其次,为有效缓解种群发生局部早熟收敛或停滞,利用个体邻域的搜索性能和多样性刻画了其进化状态,建立了一个动态邻域模型和两个交换操作,提出了一个基于邻域的自适应进化机制,有效减少了算法在进化过程中的无效搜索.与已有基于邻域和进化状态的算法相比,所提算法利用当前个体及其邻域性能选择合适的变异算子以及个体邻域的性能和多样性缓解其进化困境,有效提高了个体的搜索效率,改善了算法的寻优能力.在IEEE CEC2014标准测试集上独立运行1000次的数值实验验证了该算法的稳定性.4.针对已有算子选择概率参数无法有效刻画个体的搜索特性,控制参数设置不能同时有效适应不同个体和进化阶段的不足,充分利用个体邻域性能度量其搜索特性,提出了一个基于邻域的性能驱动自适应差分进化算法.为有效调节不同个体的搜索性能,利用环形拓扑构造精英个体集,并根据个体的邻域性能选择恰当的精英个体构造搜索方向,设计了一个基于邻域的自适应变异策略,有效提高了个体的搜索效率及维持了种群的多样性.同时为满足不同个体和进化阶段的搜索需求,利用种群和个体邻域的反馈信息,提出了一个基于邻域的自适应参数设置方法,进一步增强了算法对不同搜索环境的适用性.与已有算法相比,所提算法能对每一个体动态构造合适的搜索方向,并利用种群和个体邻域的反馈信息设置个体的控制参数,有效提高了搜索效率和鲁棒性.在IEEE CEC2005和CEC2014两个标准测试集上进行了大量的数值实验,通过与典型算法的比较验证了所提算法的有效性.