最优化问题在科学研究和工程实践的各个领域中无处不在。当今时代,科技飞速发展,传统的优化方法在求解具有大规模、高维度、NP-难、动态等复杂特征的优化问题时,无法在可接受的时间内取得令人满意的解。由于其简单的原理、较强的全局搜索能力、良好的鲁棒性和适应性等卓越的优势,进化算法在处理复杂的优化问题时得到了国内外研究者普遍的关注与认可。作为进化算法的新兴分支——差分进化算法是一类基于群体的随机并行算法。除了具备上述进化算法共有的优点,差分进化算法还有着搜索能力强、控制参数少等特有的性能,近二十年间取得了大量的突破性进展。尽管如此,差分进化算法中仍然存在着以下亟需攻克的问题:(1)变异策略的选择和控制参数的设定对差分进化算法的性能起着决定性的影响。标准差分进化算法中,在进化的后期个体间信息的差异变小,算法的全局搜索能力受到了一定的限制。这不仅降低了算法的收敛速度,而且还会使算法陷入局部最优,从而容易引发早熟收敛和搜索停滞的现象。(2)最初,差分进化算法往往只是在标准函数测试集上评估其性能。然而,随着人类需求与生产实践的快速发展,实际优化问题中呈现出更为复杂的特性。差分进化算法单一的编码形式限制了其在这类实际问题上的优化能力和拓展使用。根据特定优化问题中的具体模型信息改进算法能够在应用差分进化算法求解特定实际优化问题时带来更满意的效果。针对上述问题,本论文研究了差分进化的算法改进和应用两方面的内容,主要贡献包括:(1)提出了一种基于模糊建模的具有多重变异策略的差分进化算法:通过模糊建模的方法将进化过程划分为三个阶段,为不同的进化阶段设计不同的变异策略及参数设置,同时提高算法的准确性与效率。(2)提出了一种基于小生境技术的自适应种群规模的差分进化算法:首先,采用一种启发式的聚类技术,将整个种群划分为一系列互不相交的子种群。其次,为增加多样性,子种群中的最优个体执行均匀随机运动或布朗运动。最后,设计了种群规模自适应调整策略,当最优解的数量不再增加时可向原始种群中添加新的个体,同时,移除在同一个峰值上搜索的较差的子种群。在标准测试集上的实验结果证明:该算法增加了种群的多样性,减少了计算开销。(3)将改进的差分进化算法用于优化神经网络集成,拓宽算法的应用领域:传统上,神经网络中的每个个体网络都是单独训练的,这将会导致网络冗余和昂贵的训练开销。本论文采用改进的基于小生境技术的差分进化算法训练神经网络集成。实验结果表明:该算法能够在神经网络集成中同时优化所有的个体神经网络,并且这些个体神经网络中的参数互不相同,这保证了个体神经网络的多样性和准确性。