针对堆优化算法（HBO）在解决复杂问题时存在搜索能力不足和搜索效率低等缺陷，提出一种差分扰动的HBO——DDHBO。首先，提出一种随机差分扰动策略更新最优个体的位置，以解决HBO没有对其更新从而导致的搜索效率低的问题；其次，使用一种最优最差差分扰动策略更新最差个体的位置，以强化其搜索能力；然后，采用一种多层差分扰动策略更新一般个体的位置，以强化多层个体之间的信息交流，并提高搜索能力；最后，针对原更新模型在搜索初期获得有效解概率低的问题，提出一种基于维的差分扰动策略更新其他个体的位置。在大量CEC2017复杂函数上的实验结果表明，与HBO相比，DDHBO在96.67%的函数上具有更好的优化性能，更少的平均运行时间（3.445 0 s）；与WRBBO（Worst opposition learning and Random-scaled differential mutation Biogeography-Based Optimization）、DEBBO（Differential Evolution and Biogeography-Based Optimization）和HGWOP（Hybrid PSO and Grey Wolf Optimizer）等先进算法相比，DDHBO也具有显著的优势。
