差分进化算法同遗传算法一样,是一种基于种群迭代的群智能优化计算方法。它通过种群内个体之间的相互合作和互相竞争来产生群体智能,以能够进一步指导整个种群的进化。该优化算法的基本思想就是采用结构简单的差分变异算子和适者生存的竞争策略来产生新的种群,并最终使种群能够达到或接近优化问题的全局最优解。作为一种新的进化计算技术,差分进化算法具有结构简单、高效和易于实现的特点,并且拥有很强的空间搜索能力。目前已经成为优化计算领域新的研究热点。然而其理论研究还处于起始阶段。在建立差分进化算法数学模型的过程中,对其基本概念进行数学描述,定义个体状态、种群状态、种群状态空间等概念。证明差分进化算法的种群状态转移的过程是马尔可夫链,并建立差分进化算法的马尔可夫链模型。在此基础之上,对差分进化算法进行理论分析,并证明差分进化算法无法保证全局收敛。同时研究了差分进化算法的不同变体和不同参数设置对其性能的影响。在差分进化算法的优化过程中,不断生成更优的解并采用达尔文的“适者生存”思想进行择优保留,这样就导致遗弃个体有效成分的缺失,并失去对新空间的探索开发能力,降低种群多样性,进而使算法早熟收敛并陷入局部最优,因此需要改进差分进化算法并权衡算法的空间探索和开发能力,提高解的精确度和算法收敛速度。为此基于高斯扰动和免疫系统理论的自适应差分进化算法以及基于二次逼近操作算子和免疫系统理论的自适应差分进化算法被提出。首先,通过生物免疫系统的信息处理机制实现自适应地修正差分进化算法中的缩放因子和交叉因子,以满足优化过程中对这两个参数的取值要求。然后,在基于高斯扰动和免疫系统理论的自适应差分进化算法中通过高斯扰动增加种群的多样性,扩展算法的探索空间,以避免陷入局部最优,进而提高算法的性能；而在基于二次逼近操作算子和免疫系统理论的自适应差分进化算法中,二次逼近操作算子被用来实现局部搜索,以提高改进算法局部开发的能力。电力系统动态环境经济和梯级水火电力系统调度优化隶属于非线性优化问题范畴,并具有多目标、高维、多约束条件等特点。经典的数学规划方法无法处理此类复杂问题。为此提出了新的方法解决这些问题。首先,通过代价惩罚因子将双目标优化问题转化为单目标优化问题。然后,设计启发式搜索策略解决调度问题中的爬坡约束、动态电力平衡约束、梯级水库动态平衡约束以及梯级水库的蓄水量约束等约束条件。通过启发式策略修正解决方案,能够提高群体的多样性,拓展搜索空间。基于优先列表的启发式策略能够使能耗低的火力发电机以更高的优先级进行更多的电力输出,以得到更优的调度解决方案。最后,改进差分进化算法,以加快搜索的速度并提高解决方案的质量。最后讨论了未来的研究方向和具体工作,主要包括差分进化算法种群拓扑结构的理论研究、如何利用搜索空间的知识实现差分进化算法的自适应搜索以及针对不同的电力系统调度优化问题如何改进差分进化算法以得到最佳的调度解决方案。