动态优化问题常见于化工生产过程,对动态优化问题进行有效求解可以提高生产效率以及减少原料消耗。然而,动态优化问题的优化变量为连续变量并且具有多峰值、多变量等复杂特征,给问题求解带来了挑战。本文基于典型智能优化算法,在控制向量参数化(CVP)框架下,对动态优化问题求解方法开展研究,具体研究内容如下:(1)研究比较了八种典型智能算法求解动态优化问题的性能:以往研究集中在提升智能算法性能,忽略了不同算法之间的性能比较。为此,将八种典型智能算法用于求解动态优化问题,分析比较不同算法的求解性能。通过对具体的四个动态优化问题的求解,从精度统计、弗里德曼排名、收敛性等三个方面,全面比较分析不同智能算法的求解性能。通过分析比较结果,得出了差分算法(DE)较其余七种算法求解性能较优。(2)研究了基于混合梯度搜索的自适应智能动态优化算法:为了改善智能算法求解动态优化问题的性能,通过融合自适应DE算法与梯度搜索算法,提出了混合梯度自适应差分算法(HGADE)用于求解动态优化问题。HGADE分为两个部分,首先采用带有自适应DE算法进行全局寻优,之后通过梯度搜索提高搜索精度。在CVP方法下,HGADE算法被用于求解四个动态优化问题,结果表明HGADE在求解精度等方面具有优势。(3)研究了基于CVP-Sigmoid等效基函数的动态优化方法:以往CVP方法主要采用常值或线性基函数等效控制曲线,具有非连续可微的缺点,为此提出了采用sigmoid函数作为CVP方法下的等效基函数。利用sigmoid函数连续可微的特点,将三种类型sigmoid函数拼接作为等效曲线。通过使用CVP-Sigmoid函数作为等效基函数求解六个动态优化问题,与常值或线性基函数求解相比,其控制曲线具有连续可微的优势,并且每条控制曲线可以自适应趋近于常值或线性等效曲线,在求解多变量动态优化问题上结果更有优势。