我们的日常生活中存在大量的优化问题，它构成了我们日常生活中的重要组成部分。最初的优化方法是使用传统的数学方法进行优化，但是随着优化问题越来越复杂、难度越来越大，传统的优化方法已经不能满足这些优化问题的需要。研究人员受到生物进化的启发提出了进化算法来解决这些复杂的优化问题。Storn和Price于1995年提出的差分进化算法（Differential Evolution，DE）就是一个比较新颖的进化算法，因其算法简单、控制参数少并且具有很好的鲁棒性，迅速引起了大批学者的关注和研究。像所有的进化算法一样，DE是一个基于种群的优化方法，优化过程是通过在搜索空间中随机初始化多个初始点开始的，DE采用实数编码方式，利用种群中个体间的差分向量对个体进行方向扰动，实现个体变异，再通过交叉和选择操作以达到对个体的函数值进行下降的目的。DE在静态环境研究已经很多了，也比较成熟了，但是很多现实世界的问题却是动态变化的，它们会因为目标函数、环境参数或者约束条件的变化而随时产生变化。处理动态优化问题不仅要找到问题的全局最优值，而且需要随着时间的变化跟踪最优值的变化。这就给进化算法带来了新的挑战。本文根据动态优化问题的特点，对标准差分进化算法进行改进，提出一个基于适应度值欧式距离比率（Fitness Euclidean-Distance Ratio, FER）的改进差分进化算法FERDE，然后对动态测试函数进行测试。本文工作主要分为以下几个方面：第一部分主要介绍了优化问题的基本概念、数学模型，并根据优化问题的性质将其分类，总结了现存的优化问题的特点。同时对进化算法进行了介绍，包括其起源、基本概念、基本思想、基本概念和其特点。第二部分主要介绍了差分进化算法，首先对差分进化算法做一个简单的概述，接下来介绍标准差分进化算法，然后详细的介绍了差分进化算法的研究和改进，包括对控制参数的改进，对变异策略的改进，对选择策略的改进以及其它类型的改进，最后介绍了差分进化算法在现实世界的应用。第三部分主要介绍动态优化问题，首先介绍动态测试函数应该具备的特点，然后对动态测试函数进行分类并列出现在论文中存在的测试函数的类型，然后介绍对于动态优化算法的不同性能评估方法并说明其优缺点，随后介绍一下解决动态优化问题已经存在的方法，同时指出不同方法的优缺点。第四部分首先详细的介绍一下本文使用的动态测试函数，然后针对测试函数的特点，对标准差分进化算法进行改进，使用改进过的差分进化算法对这个动态测试函数进行测试，验证提出的算法在处理动态优化问题时的有效性和可行性。