粒子群优化算法(Particle Swarm Optimization,PSO)是一种基于群体智能的全局搜索算法。由于其操作简单,快速收敛等特点,自1995年被提出以来便备受关注并迅速成为智能计算领域研究的热点,且在求解静态优化问题中得到广泛应用。然而,在我们社会生活和工业生产实践当中的优化问题通常是随着时间改变而发生变化的。不断改变的可行域空间,使得算法当前时刻求得的最优解不一定是下一时刻的最优解。在这种时变环境下求解,需要优化算法能够感知环境的变化并及时做出反应,跟踪变化了的最优解,确保计算结果的实时有效,这给粒子群算法在动态环境下的求解带来了新的挑战。运用PSO算法求解动态优化问题为及时,追踪环境变化后的最优解需要解决两个问题:一是及时感知环境的变化,二是在感知到环境发生改变后种群能做出调整响应环境的改变。因此本文从感知环境和响应环境变化两方面出发,提出一种空间位置对称分布的双子种群PSO算法求解动态环境下的优化问题,以期增加种群在动态环境下的适应能力,提高算法追踪变化最优解的准确性。本文研究内容可归纳如下:(1)改进了环境检测方法,通过选取主、辅子种群中最优粒子作为敏感微粒检测环境的变化,避免常用检测方法中不能及时检测环境局部变化的情况。(2)针对粒子群算法在求解优化问题时存在多样性缺失和跟踪效率低的问题,提出一种基于空间位置对称分布的双子种群PSO算法。从环境的开发和探索角度出发,通过两组相互协同的主、辅子种群,在可行域内并行搜索变化的最优解。辅子种群采取差异进化机制不断探索新环境,在感知环境发生变化时引入一种对称位移映射机制,及时对主种群空间位置分布做出调整以增加对环境变化的适应能力。利用两种Benchmark测试函数DF1和MPB生成一系列变化强度不同的测试环境,对该算法在动态环境下性能进行实验测试分析。实验结果表明,该改进的粒子群算法在动态环境下能较好的保持开发和探索之间的平衡,提高了跟踪动态变化极值的准确性。