实际生活中,许多优化问题所提供的信息与需求的解决方案都是实时变化的,例如资源配置,最优控制器设计,机器人运动学问题等等。这些问题在规划为数学问题时,其目标函数与约束条件都是随时间变化的,这类优化问题统称为时变优化问题。特别地,带有线性等式和仿射不等式约束的时变优化问题是一类广泛存在且具有重要研究意义的问题。近年来,一种名为Zhang网络方法的新型神经动力学方法（本文简称Zhang神经动力学方法）由于在求解时变问题中有出色的表现而受到学者们的关注。因此,在本文中,将主要研究利用Zhang神经动力学方法求解带有线性等式和仿射不等式约束的时变优化问题。在对上述时变优化问题进行研究时,由于同时存在等式与不等式约束,因此会产生额外的Lagrange乘子,进而导致神经动力学模型往往具有较多的神经元,这会导致模型计算负担的增加。此外,虽然一些学者提出了简化后的神经动力学模型,但是简化后模型的运行往往依赖于求解一个时变矩阵的逆,当优化问题维数较高时,直接计算时变矩阵的逆十分困难。本文首先设计了一类神经动力学模型来实时求解时变矩阵的逆。在此基础上,针对上述时变优化问题,构造了一类低维数的神经动力学模型。最后,通过将上述两类具有不同针对性的神经动力学模型进行结合,提出了具有更高效率求解时变矩阵的逆且具有较少神经元的神经动力学方法来求解上述时变优化问题。同时,收敛速度也是衡量神经动力学模型性能的重要指标,本文通过引进了三种激活函数来加快模型的收敛速度,并从理论上给出了收敛性分析。考虑到外部干扰时常存在,本文还提出了一类有鲁棒性质的神经动力学模型,用以当存在外部干扰时求解带有线性等式和不等式约束的时变优化问题。最后,通过数值算例和模型在机器人逆向运动学求解问题的应用实例,进一步说明了所提出模型的有效性和优越性。另一方面,在工程和科学领域中,许多实际问题在转化为数学问题的过程中,信息采样是离散的。因此,构造与求解时变优化问题的连续模型相对应的离散模型也很有必要。在本文中,构造了一类离散形式的Zhang神经动力学模型来求解带有线性等式和不等式约束的时变优化问题。最后,通过数值算例来说明所构造的模型的有效性。