针对差分进化（DE）算法存在的早熟收敛与搜索停滞的问题，提出memetic分布式差分进化（DDE）算法。将memetic算法的思想融入到差分进化算法中，采用分布式的种群结构以及memetic算法中的混合策略，前者将初始种群分为多个子种群，子种群间根据冯·诺依曼拓扑结构周期性地实现信息交流，后者将差分进化算法作为进化的主要框架，模式搜索作为辅助手段，从而平衡算法的探索与开发能力。所提算法充分利用了模式搜索和差分进化算法的优势，建立了有效的搜索机制，增强了算法摆脱局部最优的能力，能够满足搜索过程对种群多样性及收敛速度的需求。将所提算法与几种先进的差分进化算法相比较，对标准测试函数进行优化的实验结果显示：所提算法在解的质量和收敛性能方面，均优于其他几种相比较的先进的差分进化算法。
