全局优化问题几乎应用于每一个学科,工程领域和业务中。例如,工程师要为设计的汽车提供最佳的性能。为了实现这一目标,需要优化汽车的配置参数。最佳参数配置的查找就属于全局优化类别。现在大量的工作一直致力于解决联系的全局优化问题。而连续的全局优化问题的主要挑战是这类问题往往有很多的局部最优解。差分演化算法(DE)的是在解决连续全局优化问题上有着相当好的表现。它主要是使用从目前的个体所获得的距离和方向信息,引导其进一步搜索。分布估计算法(EDA)的概率模型,从一个有前途的解决方案集中提取的并按照其生成新的样本。本文所提出的三种DE和EDA混合算法模型,综合了2种算法的优点,对连续的全局优化问题进行求解。把三种算法通过典型的测试问题进行测试研究,比较DE算法最好的版本和EDA算法。实验结果表明,这三种算法模型优于DE算法和EDA算法,并分析比较了三种算法模型,以及考察其性能参数的实验效果。本文以DE和EDA算法为基础,提出三种混合算法模型：1)基因混合模型：如果把每个个体比喻成一个基因链,那么基因链中的基因一部分来自DE算法一部分来自EDA算法,该模型使个体更加具有多样性；2)个体混合模型：如果把种群比喻成一个社会,那么社会中的个体一部分来自DE算法种族,一部分来自EDA算法种族,该模型使种群更加具有多元性；3)EDA指导DE变异方向：如果把种群比喻成一个团队,EDA根据统计概率生成的临时个体就像一个领导者去指导种群中的个体按照优秀方向去变异(搜索),该模型使搜索在全局和局部都有很好的表现。本文最后通过典型的测试函数对三种算法模型进行了测试,以及考察各个模型的性能系数的实验效果,并且与DE和EDA算法进行了比较。通过对5480组试验数据分析表明,三种模型算法在有多峰特性问题和骗特性问题上的效果更加优于DE和EDA算法。最后分析了各个模型的性能系数,以及比较了三种模型的个子特点。