作为进化算法中的一支新秀,差分进化算法已在许多应用领域和多年进化大赛中展现出优越的性能。但是,当应用于一些复杂的优化问题时,差分进化算法仍然存在一些问题有待研究解决。其中,以下3个方面的不足最为业内关注：(1)差分进化算法的普适性和鲁棒性有待提高；(2)差分变异算子众多且功能各异,在设计差分进化算法时,它们却没有被系统性的利用；(3)集成框架依赖于的特定的算法设计,集成算子之间的耦合度较高,不能完全达到集成框架重用的可移植性和互操作性。针对前两个方面的不足,本文采用集成性能互补的差分变异算子的思想提高差分进化算法的性能,包括寻优效率、普适性和鲁棒性。针对集成框架方面的不足,本文从系统级和应用级上研究集成框架,实现集成框架的共享。同时,本文将应用静态知识指导的三种集成计算框架的差分进化集成算法用于求解各类优化问题,取得了较好的成果。主要研究工作概况如下：1.深入研究了集成进化相关理论。从集成进化研究的动机出发,构建集成进化算法的定义,讨论与其相似概念的区别,设计集成进化的计算框架,阐述集成进化的分类和特征等基本问题。2.探讨差分变异算子自适应机制,提出一种基于混沌系统的适应缩放比例因子F的差分进化算法,通过标准测试函数对该算法进行分析比较,实验结果验证了新算法的优越性。3.融合算子"DE/rand/1"和算子"DE/current-to-best"的优点,设计了一种新的差分变异算子"DE/elite-to-rand "。为了验证该算子的有效性,通过标准测试函数对基于"DE/elite-to-rand"策略的差分进化算法进行测试,并与基于"DE/rand/1"的差分进化算法和基于"DE/current-to-best"的差分进化算法进行比较,实验结果验证了新算法的优越性。4.针对传统差分演化算法在演化后期收敛速度变慢的问题,利用精英个体的良好信息,在一般反向学习方法的基础上,提出精英反向学习策略,并以进化进程分层的集成框架为指导,设计了一种集成精英反向学习策略的差分进化算法(EODE),并从理论上证明了该算法的全局收敛性。对比实验结果表明,精英反向学习策略比一般反向学习策略具有更强的搜索能力,EODE算法的性能具有明显优势。5.提出多种群多策略的集成差分进化算法。在该算法中,从三个方面开展工作：(1)基于进化种群分层的集成框架为该算法提供一个计算平台,为算法的有利实施提供指导；(2)挑选高性能和优势互补的策略和参数,提高差分进化算法的“勘探”和“开采”能力；(3)设计合适的种间信息交换机制提高算法的多样性、收敛速度和求解精度。6.基于进化空间分层的计算框架,提出一种多空间多策略的差分进化算法(SMDE)。该算法的核心思想是将搜索空间动态分割成三个子空间,分布在每个子空间上的个体分别应用不同的子优化器,产生新的种群或新的个体。通过相应的标准测试函数对算法进行测试,并与其他算法进行比较,验证了SMDE算法的优越性。