现实世界中大量的优化问题往往是动态的,其优化参数、约束条件、优化目标等是时变的。这些动态优化问题要求算法能准确检测出环境发生变化的时刻,以及对变化后的环境做出及时有效的响应。这是评价动态优化问题中算法性能的主要依据,也是算法应用于动态优化问题中遇到的难题。微粒群算法模型简单、鲁棒性好,是一种适于求解非线性复杂问题的有效方法。所以,改进微粒群算法的优化模型,使之更适应时变的优化问题,具有实际的工程意义。为此,本论文着重研究了微粒群算法适合于求解动态问题的一些特点,并对其进行改进。提高了算法对动态环境的跟踪、检测和响应能力。首先为提高微粒群算法对于动态环境变化的检测和响应能力,随机抽样选取多个侦查微粒,通过其适应值信息的变化来检测环境是否变化;同时引入混沌变异的响应策略。但是由于该算法只要检测到环境发生变化就响应,浪费了大量的计算机资源,同时频繁的响应使算法的收敛速度大大降低。随后又对其进行了改进,引进种群多样性来自适应控制变异频率。基于高维单模动态环境的仿真结果表明,该改进算法能更精确检测环境的变化,并对环境变化做出更迅速及时的响应。然后针对微粒群算法在复杂多模动态优化问题中的应用,提出了新的改进微粒群优化模型。该模型利用混沌序列使种群均匀分布,提高算法进化初期的优化性能;根据环境的抽象模型是时变的特点,用前后两时刻环境的不同抽象模型去评价同一时刻的群体,通过判断不同的环境模型对同一代群体评价所得全局最好位置和全局最优适应值的变化信息来判断环境是否变化;同时,利用种群多样性和微粒的当前位置与下一时刻环境抽象模型中的全局最好位置的距离作为响应依据,和改进的重设进化方向的方法想结合,不仅能够及时的跟踪变化后的极值点,而且能很好的保持开发和探索的平衡,使微粒群算法的优化性能有进一步的提高。