现实世界中许多优化问题都表现出动态性质,即待求解的问题或优化的目标函数会随时间而发生(随机)变化。研究适合于求解这些普遍存在于现实世界的动态优化问题的算法有着重要的现实意义。但是传统的优化领域主要关注静态优化问题,这类方法并不适合直接求解动态优化问题。差分进化算法属于基于群体的全局优化算法,可以用来求解动态优化问题。由于差分进化算法原理简单,受控参数少,易于理解和实现等特点,并且在求解实数优化问题上表现十分突出,近年来已成为动态优化和智能计算领域的研究热点。因此本文主要研究多种改进的差分进化算法来求解动态优化问题。目前,动态优化问题的研究难度在于:(1)环境的随机变化或部分变化,优化算法不能及时感知;(2)优化算法不能有效的维持搜索种群的多样性和快速追踪移动的最优解。较高的种群多样性有利于对环境的全局搜索,而快速追踪移动的最优解又需要种群能在局部最优邻域快速收敛。本文针对这些难点研究改进的差分进化算法,主要工作如下:(1)将多种群策略和竞争策略相结合。针对动态问题的求解,提出多种群竞争差分算法。首先,将一个种群作为侦测种群,采用新的侦测方法。其次,将余下多个种群作为搜索种群,对动态环境独立并行搜索。同时,引入排除方法,使一个局部最优邻域有且仅有一个搜索种群寻优。在迭代若干代后,通过各搜索种群相互竞争来增强种群多样性,且更充分地利用了有限的评价代价,将搜索种群中评价值性能最优种群保留,并对其下一代采用量子个体生成机制,其他种群重新初始化。最后,使用GDBG(Generalized dynamic benchmark generator)测试集的49个动态问题对算法进行验证,并将实验结果与人工免疫算法、复位粒子群算法和改进差分算法进行比较。实验结果表明,多种群竞争差分算法在34个动态问题上性能优于人工免疫算法,所有问题均优于复位粒子群算法和改进差分算法。(2)基于个体适应度自适应调整算法参数。根据个体的评价值来判断个体在搜索空间中的相对位置,根据相对位置的远近来控制放缩因子F的大小,从而控制个体基因物质的扰动。同样根据个体的评价值与所有个体平均评价值的差值来控制交叉概率CR的大小,从而控制种群个体的更新概率,以此控制算法的收敛速度并避免早熟收敛。基于此种策略提出参数自适应差分算法。最后,使用MPB(Moving peak benchmark)测试集对算法进行验证,并将实验结果与多种群竞争差分算法、改进差分算法和复位粒子群算法对比。实验结果表明在MPB无基函数时,参数自适应差分算法性能优于各对比算法。(3)改进参数的自适应策略和基于模拟退火的变异策略。提出一种新的参数自适应策略来控制放缩因子和交叉概率的值。然后研究基于模拟退火思想的变异策略,若当前代种群中最优个体评价值优于上一代种群中最优个体评价值,说明算法对环境的寻优表现积极,此时可以增加DE/best/1变异策略的权重,以加快算法的收敛速度和增强局部寻优能力;反之,增加DE/rand/1变异策略的权重,以增加种群的多样性和加强算法对环境的探索能力。基于此提出改进的参数自适应差分算法。最后,在MPB测试集上对算法进行验证,并将实验结果与多种群竞争差分算法、参数自适应差分算法、改进差分算法和复位粒子群算法进行对比。实验结果表明,在MPB无基函数和有基函数时,改进的参数自适应差分算法性能均优于对比算法。