为了使差分进化算法(Differential Evolution，DE)能够更好的利用个体邻域和整个种群的信息，提出了邻域精英信息和种群全局信息自适应的多策略差分进化算法(An adaptive multi-strategy differential evolution algorithm for neighborhood elite collective information and population global information，MSDE-NECPG)。首先，充分利用个体邻域中多个精英个体的信息对变异策略进行引导，使搜索向更好的方向移动，提高开发能力。其次，为了让邻域的状态能够随着搜索过程不断地进化，引入邻域更新的机制。当邻域最优个体连续多代更新失败，邻域可能陷入局部最优，此时扩大邻域半径，提高探索能力。同时，引入变异策略“DE/current-to-pbest”，这一策略不划分邻域，基于种群的全局信息。两个策略基于个体的改进率进行多策略的自适应，在局部信息和全局信息之间进行平衡。此外，为了防止参数的错误交互，缩放因子F、交叉率CR根据成功历史积累进行更新，采用分组的参数自适应机制，不断适应搜索过程。最后，为了验证其有效性，在CEC2014的30个基准函数上，与 5 种迄今为止比较先进的差分进化算法进行比较，实验结果表明，所提算法的精度、稳定性和收敛速度比得上这5种先进的算法。