随着人类社会的发展,现实世界中诸多决策问题趋于复杂化,以单个目标所构建的数学模型常常不足以描述问题的全部特征,因此实际问题的数学模型常常含有多个求解目标,即多目标优化问题,简称MOPs。为了解决这一问题,国内外诸多学者在基本的遗传算法基础上,提出了一系列的先进算法,有模拟退火算法、快速非支配(NSGA-Ⅱ)算法、目标约束算法、x-约束法、Apriori算法、梯度树提升GTB算法和梯度下降法等。在这些算法中,NSGA-Ⅱ算法求解多目标问题的优化效率取得了较大的成功。然而NSGA-Ⅱ算法的局部搜索能力受到交叉和变异算子的影响。经过对选择、变异等算子进行改进,以及对竞标赛选择法改良后提出的ISMNSGA-Ⅱ算法虽然可以弥补NSGA-Ⅱ算法的不足之处,但是其时间复杂度较高,而且随着多目标优化问题目标维数的増加,其性能开始下降,并且算法从头到尾只采用一次交叉和变异,容易陷入局部最优。本文针对这些不足,采用了自适应策略,可以很好的避免算法陷入局部最优,有效的提高种群的多样性,加强了算法的局部搜索能力;提出了一种基于L-近邻距离的差分进化算法(DENSGA-Ⅱ)。在DENSGA-Ⅱ中产生了两个种群,通过两个种群之间的竞争来选择较好的个体进入下代种群。最后,通过实验与原NSGA-Ⅱ、ISMNSGA-Ⅱ等算法进行比较,实验结果证明了算法的有效性,并且,其搜索过程在全局搜索和本地搜索之间取得了平衡。