随着科学技术的发展,最优化已成为控制理论中一个重要的研究课题。如何从一切可能的控制方案中找到最优方案是现代工业化生产过程中急需解决的难题。由于生产工艺和自动化水平的提高,优化对象也从简单的线性优化问题变为复杂、高维的非线性优化问题,传统优化方法已很难求得这类问题的全局最优解。现代智能优化算法以优良的全局搜索能力为求解这些问题提供了新的途径。差分进化算法是一种采用并行、直接的随机搜索,具有很强优化能力的智能优化算法。控制参数和变异策略等因素对差分进化算法的寻优性能和搜索效率有很大影响。为此,本文主要研究一类具有策略自适应的差分进化算法,通过对历史进化经验的学习,实现变异策略的自适应；而控制参数的自适应也进一步提高了算法的全局搜索能力和收敛速率。另外本文对搜索空间自适应也进行了一些尝试,进行的仿真实验及在化工动态优化问题的实际应用均表明本文提出的三个算法都具有很强的鲁棒性和实用性。第一,借鉴分布估计算法,依据当前搜索空间中的优良个体来建立一个可行解的概率分布模型指导全局搜索,利用对优良个体的空间分布信息得到变空间,提出了一种基于种群分布的自适应变空间差分进化算法(Adaptive Variable Space Differential Evolution Algorithm Based on Population Distribution, AVSDE)。AVSDE算法利用得到的变空间指导部分种群的空间搜索,变异策略的随机选择及参数自适应使算法具有很强的全局搜索能力。不同维数的19个标准测试函数的实验结果表明AVSDE算法具有很强的鲁棒性。第二,通过对进化过程中不同变异策略之间的转移进行统计学习,每经过一个学习周期就更新不同策略间的转移概率,进而实现策略转移的自适应,为此,提出了一种策略自适应转移的差分进化算法(Differential Evolution Algorithm with Adaptive Transfer Strategy, ATSDE)。14个标准测试函数的测试结果表明ATSDE算法也具有较强的优化能力,特别是低维函数的优化问题。第三,从计算机系统对不同进程的轮转调度算法得到启发,让不同的变异策略无优先级的周期性地轮转调度使用,根据成功率的不同来调整变异策略的使用时间,提出了一种自适应调度策略的差分进化算法(Differential Evolution Algorithm with Adaptive Scheduling Mutation Strategy, ASDE)。同样也使用了14个标准的测试函数对它的性能进行测试,与当前最新的自适应DE算法SaDE相比,ASDE算法仍然具有很强的竞争力。此外,这三个算法都被使用在两个化工过程动态优化问题中,实验结果表明这三个算法在解决这类问题时也具有很强的优化能力。