近年来,进化计算作为计算智能领域中的新兴学科发展迅速。进化计算所涉及的算法称为进化算法,主要包括遗传算法、遗传编程、进化策略、进化规划等。进化算法具有自适应、自搜索、并行性等特点,已广泛地应用于解决各种科学和工程问题。差分进化算法属于进化算法的新兴分支,是一种基于种群的并行迭代优化算法,其性能主要由变异尺度因子,交叉概率因子和种群规模等控制参数决定,具有结构简单、收敛迅速、鲁棒性强等优点而受到了广泛的关注和研究,并已应用于数据挖掘、模式识别、数字滤波器设计、人工神经网络、组合优化、多目标优化等问题。但是,标准的差分进化算法存在着早熟收敛和搜索停滞等缺陷,限制了其优化能力和应用范围,因而迫切需要加以研究和改进。本文对差分进化算法及其应用进行了研究。首先分析了控制参数对差分进化算法的影响,设计了种群自适应调节差分进化算法；其次针对离散空间优化问题,设计了改进的二进制差分进化算法；再次,为解决多目标优化问题,提出了多目标自适应差分进化算法；然后,研究了基于差分进化算法的基因调控网络未知参数识别问题；最后,研究了三维衣身原型曲面的智能分割问题。本文的主要研究内容和创新点具体如下：(1)提出基于种群自适应调节的差分进化算法。种群自适应调节差分进化算法结合两种差分进化策略,使得算法在初期具有较强的全局搜索能力,而在后期具有较强的局部搜索能力；采用两种不同的种群调节方案,使得算法有效的提高了运行效率。利用多种经典测试函数对该算法进行实验检验,并与其它常用差分进化算法进行比较,结果表明该算法能够实现种群的自适应调节,全局搜索能力强,精度高,鲁棒性好,收敛速度较快。(2)提出改进的二进制差分进化算法。种群自适应调节二进制差分进化算法改进了DE/current-to-best/1策略中的变异方法,使得算法适应离散空间优化。该算法可在运行过程中根据搜索状态自适应调整种群规模,提高了算法的效率和优化精度。与其他二进制差分进化算法的实验对比结果表明,该算法优化精度较高,收敛性能良好。(3)提出多目标自适应差分进化算法。为求解多目标优化问题,提出多目标自适应差分进化算法,该算法将多种差分进化策略进行集成,通过多策略选择机制增强算法的优化能力。通过实验表明,多目标自适应差分进化算法所得的最终解集更加逼近真实的Pareto最优边界且在目标空间分布的更加均匀,具有良好的分布性和收敛性。(4)基于差分进化算法的基因调控网络未知参数识别。对带有随机时滞和噪声扰动的基因调控网络进行了稳定性分析,并基于差分进化算法提出一种基因调控网络未知参数的识别方法,以达到准确获取参数的目的。通过理论分析和仿真证明,该识别算法具有良好的鲁棒性和准确性,对分析、解决实际问题有一定的指导意义。(5)基于差分进化的三维衣身原型曲面智能分割算法。针对三维衣身原型曲面的特点,研究了三维曲面的展平及分割问题,提出了基于差分进化的三维衣身原型曲面智能分割算法,实现了对衣身曲面的智能分割,得到将衣身曲面划分为可展区域和非可展区域的准确分界线。通过实验证明了该智能分割算法的有效性和鲁棒性。