随着优化要面对的问题规模和复杂程度的逐渐增大,以及传统优化方法易出现局部最优解等的局限性,智能优化算法应运而生了。差分进化算法由于其结构简单、收敛性能好、控制参数少、容易实现等特点而受到广泛的关注。但是差分进化算法仍存在诸如容易陷入局部最优、搜索停滞等缺点,限制了其性能的发挥,阻碍了其应用的推广。因此,对差分进化算法的改进研究具有重要的理论研究意义与实际应用价值。针对以上缺陷,对多目标差分进化算法做了一些改进,并将其应用到某钢厂1250mm冷连轧轧制规程优化中。主要内容如下:（1）针对差分进化算法在处理复杂多目标优化问题时收敛性和多样性上存在的不足,提出了一种基于两阶段多样性增强的多目标差分进化算法（A two-stage diversity enhancement differential evolution algorithm for multi-objective optimization problem,TSDE）。第一阶段采用优化的细胞密度法来筛选优质的父代,产生性能更好的子代群体。该方法可以估计目标空间的全局分布,识别密集区域,增加每一代初始种群的多样性。第二阶段是在存档中引入主成分分析（Principal Component Analysis,PCA）算子扰动非支配解,生成一组围绕原非支配解集的新解,从而在保证收敛性的同时提高多样性。（2）为了平衡全局探索和局部开发,提出了一种基于镜像点筛选策略自适应多目标差分进化算法（An adaptive multi-objective differential evolution algorithm with mirror point screening strategy,AMODE-MPS）。针对父代种群质量不佳的问题,将镜像点筛选方法应用于初始种群的生成过程来提高父代种群多样性。为了解决探索与开发不平衡的问题,在探索过程中引入自适应混沌突变,帮助种群跳出局部最优。（3）将优化算法应用于轧制规程中,为提高产品质量和降低成本消耗,采用TSDE和AMODE-MPS对轧制规程进行优化。将预防打滑和等相对负荷作为目标函数,根据生产目的和生产特点,建立轧制规程多目标优化模型。仿真结果表明,应用优化算法后的结果优于原规程。