当前智能计算领域中,优化问题一直都是众多学者研究和关注的课题。但是随着社会的发展,优化问题也变得越来越复杂,它们或多或少具备着非连续性、非线性、非可微性、多峰性等特点。这也导致了很多传统的优化算法难以解决这一类的问题。差分演化算法作为计算机学科和生物学科相结合的启发式算法,凭借着收敛速度快、控制参数少等优势在解决优化问题上鹤立鸡群。由于差分演化算法原理简单、性能卓越,很快吸引了大批学者对它进行研究和改进,并成功将其应用在了多个领域。然而传统的差分演化算法也存在着一定的缺陷,主要有:1)算法后期的收敛速度变慢,缺乏局部搜索能力,导致不能在有限迭代次数的情况下收敛于问题最优解;2)设置不同的缩放因子F和杂交概率CR对算法的影响大。当F值较小或者CR值接近1时,算法的收敛速度快,但是容易陷入局部最优,而当F值较大或者CR值接近0时,虽然,种群的多样性得到了保证,提高了跳出局部最优的概率,但会降低算法的收敛速度;3)差分变异策略种类繁多,每种策略的特性都不一样,因此,根据不同的优化问题选择合适的差分变异策略存在一定的困难性。针对差分演化算法在优化问题上的不足之处,本论文提出了一种新的基于适应度景观的自反馈差分演化算法(Self-Feedback Fitness Landscape Differential Evolution,FLDE)。适应度景观是描述解与适应值之间的关系。当进化算法求解复杂的优化问题时,对应的适应度景观通常非常复杂,一般是由不同的局部适应度景观所构成。而不同的局部适应度景观所使用的变异、杂交策略也应当有所不同。本论文提出的FLDE是通过提取每一代种群的局部适应度景观特征来选取合适的变异、杂交策略,从而提高算法在不同问题上的寻优能力、精确性和稳定性。本论文的主要创新点与成果如下:(1)使用分段Tent混沌映射函数初始化种群,让种群中的个体能够更加均匀的分布在解空间中,提高初始种群的基因多样性。(2)提出一种新的基于适应度景观的差分演化算法,它使用了本论文所提出的一种新的基于适应度景观的混合变异算子,该算子把标准差分演化算法的变异算子与适应度景观相结合,通过提取每一代种群所构成的局部适应度景观特征,再结合适应度景观中单峰和多峰的特性来选取差分变异策略,从而使种群能够更快的收敛于全局最优解。(3)使用自反馈技术更新每一代种群的缩放因子F和杂交概率CR。该技术主要通过收集每一代种群的变异、杂交信息,再结合适应度景观特征选择高斯分布或柯西分布对缩放因子F和杂交概率CR进行更新,从而提高算法的寻优性能。(4)把FLDE应用在土壤水分方程优化上,从仿真实验结果可以看出,本算法收敛速度快、精准度高、鲁棒性强,对计算复杂的优化问题具有一定的优势。