现实生活中很多问题都可以表示为全局优化问题,近年来随着人工智能研究的兴起,现如今实际优化问题的结构日趋复杂。为了使算法可以高效求解这些复杂优化问题,学者们提出了基于自然启发的智能优化算法,这些算法在启发式策略的指导下可以得到最优解。但是这些算法存在很多问题,如果该算法着重于加快收敛速度,则该算法会陷入局部最优。如果该算法旨在于寻找高质量的解,会导致该算法的收敛速度过慢或者不收敛。针对这些问题,本文结合反向学习策略设计了两种差分进化算法,主要工作如下:1、针对基于种群的反向学习策略未考虑在进化后期的冗余计算以及跳跃概率参数未考虑自适应控制的缺点,提出了子种群反向学习策略。首先,为了考虑个体对反向学习策略造成的影响,将跳跃概率分配到每个个体上,如果个体的跳跃概率低于预设的阈值,则该个体将成为子种群的一员并生成反向个体。其次,为了在进化过程中动态控制子种群规模,利用历史信息来指导下一代个体跳跃概率的生成。2、针对反向学习策略在迭代过程中未能充分地平衡探索和开发的不足,提出了对偶反向学习策略。首先,利用基于多样性的评估方法将反向学习策略分类,并从中分别选取探索能力和开发能力最强的策略,然后将子种群策略与这两个策略相结合生成两个全新的反向学习策略。其次,为了在迭代过程中平衡这两个全新的策略,根据算法的探索能力占比设计了保护机制。3、针对现实生活中的约束优化问题,为了说明提出的策略在约束优化问题上性能的提升,将对偶反向学习策略与约束优化算法结合,并且在CEC2020基准集合上验证算法性能。实验结果表明,对偶反向学习策略在处理复杂优化问题时可以使探索和开发达到平衡状态,并且当探索和开发的占比分别为10%和90%时算法有最佳性能。