多目标优化问题一直是算法研究领域的热点问题.在自然科学和社会科学中,大多数的优化问题都属于复杂的多目标优化问题,针对这一类问题,传统的优化方法很难得到效果比较好的解,因此就要用优化算法对其进行有效求解.用进化算法解决复杂的多目标优化问题的基本原理在于对进化的种群可以并行搜索多个目标,从而逐渐找到多目标问题的最优解,并且也可以减小解陷入局部最优的概率.大量实验表明,进化算法已经在研究领域取得了广泛的关注与应用.差分进化算法作为一种新型的智能优化算法,其原理简单、操作方便、受控参数少、鲁棒性强,因此受到了各国学者的广泛关注.虽然差分进化算法有很多的优点,但是研究发现,差分进化算法也有许多地方需要改进,使其能够更广泛的应用到各个领域,从而解决更多现实中的优化问题.本文主要研究内容可归纳如下:(1)分析差分进化算法的基本理论,对差分进化算法的参数进行自适应调节,并与加入了Tent混沌操作以及惯性权重的自适应调整操作的粒子群算法进行融合.仿真结果表明,提出的新的混合算法不易出现“早熟”现象,而且搜索精度更高.(2)分析多目标优化方法的基本理论,提出一种基于强度Pareto的自适应多目标差分进化算法.该算法主要是在适应度分配操作中加入了小生境技术,在环境选择操作中加入了聚类排挤的快速替换算法.这样不仅可以维持种群的多样性,而且可以提高算法的收敛速度,使得算法在时间复杂度和效率上有很大的提高.仿真结果表明,基于强度Pareto的自适应多目标差分进化算法具有更强的分布性和收敛性.(3)在基本的多目标差分进化算法中引入了参数自适应调整操作和可行性规则来对其进行改进,之后,将改进的算法应用到多目标优化的投资组合问题中.在仿真实验中,通过对证券市场的真实数据分析得出,改进的多目标差分进化算法能够有效的指导投资决策,并且在实际收益率方面表现的更好.