进化计算的设计灵感来自于大自然的物种进化,能适应不同的环境下的不同的问题,且在大多数情况下优势尽显无疑,因此进化算法获得了越来越多学者研究,已经成为计算科学领域研究重点。差分进化算法是进化算法的一个分支,在传统差分进化算法的变异策略中,种群中的个体以等概率形式被随机抽出,作为父代向量进行遗传变异进化,因而具有一定的盲目性,且搜索效率低,所以很多学者开始研究基于当前种群中的最优个体的遗传进化,或基于最优个体的邻域信息对算法性能进行提升,并取得了较好的研究成果。然而,现有的算子研究大都主要集中在对于种群单一个体研究,即使用单一个体信息来引导个体的变异,而忽视了种群的综合信息对进化过程的引导能力。本文针对当前差分进化算法研究中存在的不足,为减少传统差分进化算法进化过程的盲目性,提出一种基于种群信息提取策略(Information extraction strategy,简称IES)的框架,并将该策略框架运用于差分进化算法中的变异策略中的进化算子。本文的主要工作和创新点概括如下:通过综合性地分析进化计算的思想及信息提取问题的数学规律,IES策略通过利用种群个体之间的有效信息的提取来指引进化方向,提高算法的搜索能力,从而提升算法性能。提出的IES策略具有通用性,不受进化算法种类的限制,可以轻易地运用于不同的变异算子之中。在验证基于两个个体的IES策略的有效性之后,本文进一步探索了在一定种群数量中参与提取信息策略的个体数的最优解,并验证了其性能相较于其他差分进化算法的提高。实验结果表明,本文提出的IES策略框架具有普遍适应性,能较好的融入各类差分进化算法,且能够显著地提升基本差分进化算法和高级差分进化算法的性能,并且较基于适应值排序的变异方案更为优异。同时也验证了基于IES的策略算法在大部分实际优化问题中有更优的性能,具备较强的实用性。