结构优化向来是科学研究和工程应用的主要问题。然而,随着研究与应用的深入,优化问题变得日益复杂,许多问题包含离散变量和多个优化目标,且需考虑各种工程约束,传统的结构优化设计方法难以胜任,因此人们转而使用自主学习、通用性强的智能算法解决此类问题。差分进化算法（Differential Evolution,DE）是一种通用且高效的启发式智能算法,其直接搜索和高度并行的本质使其具有处理离散变量多目标优化问题的潜力。然而,标准DE算法依然具有强烈依赖控制参数、收敛速度慢、易早熟等缺陷,且无法直接处理离散变量和多个优化目标。因此有必要对其进行改进研究。本文的主要研究内容如下:1、针对标准DE算法的缺陷做出改进,引入混沌初始化策略,并提出两种自适应进化策略。整合上述改进提出ACDE（Adaptive Chaotic Differential Evolution）算法,并通过数值实验与六种典型算法进行了对比。结果显示,ACDE算法寻优能力强、收敛速度快、鲁棒性好,且减少了对问题敏感的参数,进一步提高了算法的通用性。2、对DE算法进行离散化改进,提出改进的离散化方法和混合种群策略。整合上述改进提出ACDDE（Adaptive Chaotic Discrete Differential Evolution）算法,并通过三个离散桁架优化问题与八种已有算法进行了对比。结果显示,ACDDE算法在保证最优解质量的同时,运行效率明显高于其它算法。3、对DE算法进行多目标优化改进,引入改进的约束处理方法,提出适配的自适应策略和改进的多样性维护方式。整合上述改进提出IMO-ACDDE（Improved Muti-Objective Adaptive Chaotic Discrete Differential Evolution）算法,并通过两个离散结构多目标优化问题与已有算法进行了对比。结果显示,IMO-ACDDE算法能够有效处理多目标布局优化问题,且在复杂问题中依然能够保持最优解集的收敛性、多样性和均匀性。4、以某客车车身顶骨架为优化对象,以结构重量、抗扭性能和抗弯性能为优化目标,使用IMO-ACDDE算法进行了多目标布局优化。选取了三个有代表性的最优解进行分析,结果表明,各最优结构均布局清晰、排布合理,在有较大性能提升的同时选用截面种类较少,且满足位移、应力、对称性、一致性以及安装位置等工程约束,无需人工修改,可以直接用于生产制造。综上,本文对基于差分进化算法的离散结构多目标优化方法进行了研究与应用,提出的IMO-ACDDE算法能够同时处理连续和离散变量,实现综合优化结构尺寸、形状以及拓扑变量的布局优化,能够有效处理多目标问题,并可根据工程需求灵活设置约束,因此可以广泛应用于工程结构优化问题中。