摘要：种群结构的合理设计是保障进化算法高效运行的核心要素，其关键在于平衡个体的开发性（exploitation）与探索性（exploration），进而提升全局优化能力。然而，受优化过程黑箱特性的制约，实时评估种群状态并实施针对性调控策略仍是研究难点。为此，本文提出一种基于双实时指标的动态差分进化算法（dual real-time metricsdriven dynamic differential evolution, DDDE），用于实时观察种群在连续优化过程中的演化状态。该算法通过引入种群多样性与进步个体比例两个核心指标，构建动态状态识别模型以实时判定种群所处的开发或探索阶段。当检测到早熟收敛风险时，自动激活扰动离散，自约束和历史学习模块，通过增加种群基因变异率等措施突破局部最优；而在搜索停滞阶段，则启用择优选择个体模块进行自适应进化，通过动态调整搜索步长强化局部精细寻优。同时设计基于反馈增益的判别系统，根据历史迭代的适应度变化趋势与结构模块调用效果，构建动态调度优化模块组合策略，驱动种群持续向具备最优探索开发平衡的结构进化。在CEC(IEEE Congress on Evolutionary Computation)2017基准函数与CEC 2011真实优化问题测试集上的对比实验表明，DDDE在优化精度与鲁棒性方面均优于13种最新或竞赛冠军算法。在29个单目标优化问题（4种不同维度下含单峰、多峰、混合及组合问题）以及22个现实优化问题上，DDDE的综合性能取得了最高的排名与得分。
