真实的世界很少是静态的,这个世界的环境一般呈动态变化。由于系统或环境的变化,很多实际应用的问题需要不断的重新优化。比如一个秘书经过各方之间的协调,很艰难的安排了一个会议,却发现在最后一分钟,发生了一个新的冲突,计划将需全部改写。粒子群优化算法是基于种群和自适应搜索的优化技术,并成功应用于静态优化问题的求解上,但动态变化的问题给粒子群算法带来了新的挑战。Carlisle于2001提出了改进的自适应粒子群算法,该算法采用哨兵粒子来检测环境的改变,并通过重新随机化来响应环境的变化,但该算法最大的缺点是其性能依赖于哨兵粒子的表现并且重新随机化操作使得粒子群丢失了之前的记忆。所以需要研究新的既遵循群智能原则又能快速响应环境改变的优化算法。粒子群算法具有快速收敛和易于实现的特点,而且粒子的飞行机制很适合于对动态环境的响应。所以本文研究的目的就是对基本粒子群算法进行改进,使得算法可以不断跟踪环境的变化,并求出不断变化的全局最优解,使其在动态环境下具有现实的意义,本文提出了几个改进的粒子群优化算法,并在动态环境下进行了相关实验证明其有效性。本文的主要工作如下：(1)提出了基于等级选择策略的粒子群优化算法及其在动态环境下的应用。同时在该算法中引入变异操作,并采用可变加速系数来加快算法的收敛速度。根据这一思想设计了相应的各种不同的具体模型,并通过实验验证了其有效性。(2)受到自然界多群体协同进化的启发,提出了分层多种群粒子群优化算法。该算法在粒子飞行机制中引入了共生操作,以帮助各个子群之间实现共同进化的目的。为了适应动态环境,分层多种群粒子群优化算法将粒子的种群分为了两层,层为普通种群,另一层为动态种群,并将动态种群分为多个子群。(3)受人类社会知识不断更新的启发,提出了基于可变认知度的粒子群优化算法,该算法引入了一个新的参数——认知度衰减系数,认知度会随着时间以认知度衰减系数的速度逐渐降低。(4)提出了应用于动态环境的文化粒子群优化算法。算法开始,粒子主群体空间将会被初始化,然后根据粒子的紧密程度将其分为几个子群。接下来用接受函数来选择一些粒子,这些粒子随后会在知识空间里被采用。知识空间由五部分组成,这五部分分别为环境知识、历史知识、领域知识、标准化知识和空间知识。下一步,对知识空间采用影响函数,为粒子群算法下一次的迭代选择主要的参数。通过某种策略使用知识空间中的信息来检测环境是否发生了动态改变。一旦检测到环境发生了改变,将通过影响函数在子群中进行粒子的迁移操作,以增加子群的多样性。(5)提出了基于区域侦察的粒子群算法。该算法选择在适当的时机启动区域侦察机制,通过对含糊地带的加强学习,扩展寻优广度,以此提高算法在动态环境下的效率。基本粒子群算法容易使粒子陷入局部最优解,使所有粒子走向错误的方向,该算法则可以快速走出陷阱。