差分演化算法是一种基于群体的全局优化算法。由于具有结构简单、性能优越、易于实现等特点,差分演化算法在交通优化、工业设计、无线传感器网络等领域都有广泛的应用。目前已经成为优化计算领域的研究热点。差分演化算法虽然得到了较多的关注和研究,并且成功应用于许多静态优化问题上,然而,随着科技的发展,越来越多的现实问题是复杂的、不确定的,会随着时间的变化而变化。对于这些动态变化的问题的解决,需要算法具备更快的搜索能力,更好的跟踪能力,能够对变化的环境快速而准确的做出反应。这对包括差分演化算法在内的演化算法提出了新的挑战。本文主要针对动态环境下的单目标、多目标以及高维函数差分演化算法进行了深入研究,并将改进算法应用于疏散路径优化中。论文主要包括以下几部分：1.动态环境下单目标差分演化算法的研究。首先,对动态优化问题的定义和数学上的描述进行了分析。接着,对动态单目标优化问题的测试函数和评价标准进行了研究。在此基础上,提出了基于预测区的多策略动态差分演化算法。在改进算法中,主要采用了多种群策略,预测区策略和局部搜索策略。仿真实验结果表明,这些策略增强了算法应对动态单目标优化问题的能力,使得改进算法能够对变化的极值进行有效地跟踪。2.动态环境下多目标差分演化算法的研究。首先,对动态多目标优化问题的定义进行了描述,而后分析了动态多目标优化问题的测试函数和算法的评价标准。在此基础上,提出了基于自适应混合迁移策略的动态多目标差分演化算法。算法中提出了自适应混合迁移策略和基于回归和高斯扰动的预测策略。通过对四个不同类型的测试函数的仿真实验,验证了所提出的算法在处理动态多目标优化问题时的有效性,同时表明算法能够对Pareto最优前沿和Pareto最优解集进行有效的跟踪。3.动态环境下高维函数差分演化算法的研究。首先对高维函数问题的困难进行了分析,然后,提出了基于统计相关度的协同动态高维差分演化算法。该算法主要采用了基于统计相关度的协同策略和预测机制。通过仿真实验,验证了所提出的改进差分演化算法在处理动态环境下的高维函数优化问题时的有效性。4.基于改进差分演化算法的疏散路径优化的研究。首先,研究了大型公共场所紧急疏散情况下的疏散路径优化问题。在疏散路径优化问题中,拥挤度,人群的速度等因素都是随时间而变化的,因此,疏散路径优化问题是复杂的动态优化问题。然后,以疏散路径优化中最重要的指标——时间来作为单一的目标,并以拥挤度为约束条件,通过改进的单目标差分演化算法对这个目标进行求解。为了解决疏散路径优化问题,改进算法中,采用了相应的编码方式,并定义了与问题相适应的变异和交叉操作。仿真实验表明,改进的单目标差分演化算法能够有效的解决疏散路径优化问题,并且能够给出比较好的解。最后,以最短时间、最短疏散路径长度和最小拥挤度为三个目标,采用改进的多目标差分演化算法对模型进行求解,仿真实验表明,改进的多目标差分演化算法能够得到比较理想的解,并可以为解决疏散路径优化这样的复杂的动态优化问题提供一条有效途径。