在各种科学研究和工程领域中,经常会遇到大量的优化问题。而且随着现实社会的快速发展,许多优化问题变得越来越复杂,传统的优化算法已经很难能满足各种科学和工程需求。因此,设计能有效处理高复杂问题的优化算法,具有深刻的科学研究意义和巨大工程应用价值。在此背景下,演化算法因为其具有自适应、隐并行、容易实现等特点,以及对所求解的问题不需要连续、可导、单峰等要求,而受到广泛的关注,并得到极大的发展。作为演化算法中的一种,差分演化算法通过维持一个种群的演化来求解优化问题,具有结构简单、实现容易、鲁棒性强等特点,并被成功应用于解决许多领域问题,如数据挖掘、路径规划、工程设计等。但是,现阶段差分演化算法还存在一些不足之处,主要可总结为三个方面:1)已有的变异策略具有各自的搜索特点,如何针对问题选择合适的变异策略还缺乏有效指导;2)传统的差分演化算法对控制参数的设置非常敏感,如何根据问题的不同情况设置合适的参数尚缺乏较好的解决方案;3)差分演化算法的局部勘探能力较弱,导致算法后期的收敛速度较慢。针对差分演化算法现有的这些不足,本文考虑了算法两个方面的性质。一方面,差分演化算法属于典型的群体智能优化算法,其良好的优化性能主要依赖于种群中个体之间的交互行为。而在种群中个体的交互对象以及交互方式,又主要取决于个体对种群信息的利用。因此,对种群信息的提取和利用就基本决定了差分演化算法的优化能力。另一方面,差分演化算法中,变异算子起着引导算法进行搜索的重要作用,如何设计个体的选择机制直接影响到算法的优化性能。基于以上考虑,本文的主要研究目标是:提取种群信息并用于指导变异算子中个体的选择,进而提升差分演化算法的优化性能。首先,本文对差分演化算法中的种群信息进行了研究和分析,并将其分为主要的四大类,即拓扑信息、适应值信息、距离信息和历史信息,在此基础上便得到对应的四种个体选择机制。然后,对每一种个体选择机制进行了研究,分析了现有工作的优点和不足,并分别提出了一种能有效利用种群信息的算法框架。接着,通过充分的实验验证了其良好的优化性能。最后,对这四种算法框架进行相互比较,分析了各自的优点和不足,为科学研究和工程应用提供了有效的参考信息。