针对差分算法（　differential　evolution　，　DE）在解决高维优化问题时参数设置复杂、选择变异策略困难的现象，提出了广义逆向学习方法的自适应差分进化算法（　self-adaptive　DE　algorithm　via　generalized　opposition-based　learning　，　SDE-GOBL）。利用广义的逆向学习方法（　generalized　opposition-based　learning　，　GOBL）来进行多策略自适应差分算法（　Self-adaptive　DE，　SaDE）的初始化策略调整，求出各个候选解的相应逆向点，并在候选解和其逆向点中选择所需要的最优初始种群，然后再进行自适应变异、杂交、选择操作，最后通过CEC2005国际竞赛所提供的9个标准测试函数对SDE-GOBL算法进行验证，结果证明该算法具有较快的收敛速度和较高的求解精度。