本文研究了一种求解连续变量空间全局优化的进化算法，基于分片二维搜索的修正微分进化算法. 对于全局优化问题，我们总是想尽可能快且准确地求出它的解.由于优化问题可能是不连续的、不可微的甚或是没有函数解析式的，传统经典的无约束优化方法在应用时会受到限制.在达尔文“优胜劣汰”的自然进化原理的启发下产生的仿生进化算法(EA)是一类只是需要函数值信息的自组织、自适应随机搜索算法，它利用了启发式信息来帮助搜索，所以得到了广泛的使用和欢迎.RainerStorn和KennethPrice提出了求解连续变量全局优化问题的简单有效的微分进化算法(DifferentialEvolution，DE).DE算法是模拟自然进化依概率演进的随机搜索算法，比起其他一些进化算法它在许多问题上都有好的收敛表现，但有时搜索缓慢还有可能出现早熟等现象.如果优化问题是计算成本很高即每计算一次函数值都需要很长时间的问题，那么过多次数的调用函数值就会使得算法不可行.为此，我们引入分片二维搜索策略提出了新的进化算子.利用遗传算法线性杂交的思想，由当前种群中随机选取的两个点分别与当前点进行线性杂交生成两个点，以这两个点为基点，分别加上一个扰动生成两个变异点.如果这两个变异点分别与当前点杂交得到的两个点都未能改善当前点，则引入第三个点-两个线性杂交点与当前点的中心来给当前点第三次改善的机会.该算法实际上将搜索区域内一二维空间划分为左中右三个部分.这样使得算法DE中本来完全随机的搜索带有了一定程度的确定性，可以加速全局寻优.在最后，我们做了大量的数值试验证明新算法是有效的，即在不降低问题解的质量的前提下减少了调用函数值的次数.通过这次研究，我们得到了大量的关于进化算法的宝贵的经验.