动态优化问题是现实世界中很常见的一类优化问题,其特点是优化的目标或条件会在求解过程中发生改变。传统优化领域主要关注静态优化。虽然已经有许多成功的针对静态优化问题的优化算法,这些方法并不适合直接用于求解动态优化问题。演化算法因其群体性和自适应的特点,具有求解动态问题的天然优势,已成为优化和计算智能领域的一研究热点。本文主要研究基于记忆集策略的演化动态优化算法。记忆集策略的基本思想是存储优化过程中获得的相关信息,然后使用这些信息以提高算法的寻优效率。本论文研究主题包括记忆集的更新策略,与多种群算法的结合,记忆集的组织结构和基于记忆集的演化动态优化算法在动态无功优化问题上的应用。本论文的主要研究内容和创新之处有如下几个方面。(1)改进了经典记忆集的相似性更新策略。经典的相似性策略为了在容量有限的记忆集中存储尽可能多的信息,保证记忆个体的多样性,在更新记忆集时用新个体替换与之最相似的记忆个体。本论文通过示例说明,相似性策略在有些情况下并不能保证记忆个体的多样性,同时也说明了保存使用频率高的记忆个体可能有更好的效果。基于此,本文提出了一个基于相似性策略的自适应的记忆集更新策略。该策略分析记忆集的更新行为,记录记忆个体的使用频率,并在更新时保护使用频率高的记忆个体不被替换,淘汰长久不被使用的个体。(2)提出了适用于多种群算法的记忆集策略。多种群算法是一类重要的求解多模态动态问题的演化动态优化算法。现有的记忆集策略一般都是与单种群算法一起提出的。将这些策略直接用在多种群算法上并不一定有好的效果。本文提出的记忆集策略使用独立于适应值的更新方法,具有较低的计算消耗,因而能够扩大记忆集的容量,使得记忆集有能力存储多模态动态问题的信息。同时在使用记忆集更新种群时,不仅考虑了个体的适应值,与此同时考虑了个体的空间分布,减轻了记忆集策略对多种群策略寻优的负面影响。本文通过实验说明已有的几个代表性的记忆集策略有时会损害多种群算法的性能,但新提出的记忆集策略在所有测用例上对多种群算法的的提升效果明显。(3)采用二元空间划分树作为记忆集的结构,并提出了相应的近邻替换策略。记忆集的结构对记忆集策略至关重要,决定了记忆集的相关操作和计算效率,但在动态优化领域对该主题还未曾有专门的研究。现有的记忆集策略均使用线性表组织记忆个体。本文提出了针对基于二元空间划分树的记忆集结构的近邻替换记忆树策略。该策略利用记忆个体将搜索空间划分成多个区域,每个区域对应一个位于其中的记忆个体。环境变化后,当演化算法搜索到一个未曾访问过(当前环境下)的区域时,提取该区域中的记忆个体。与使用线性结构的记忆集策略相比,该策略有不限制记忆集容量,无参数和自适应地重点记忆最优解出现频率高的区域等特点。(4)本论文针对电力网络动态无功优化问题的特点,提出了一个基于记忆集的差分演化算法。该策略保存电力系统的环境特征和对应的调度方案。在环境变化后使用两种方法提取记忆集的信息。第一种方法根据记忆项的环境特征与当前环境特征的匹配程度选择记忆个体加入种群中。第二种方法提取记忆项的总体统计特征,生成迁移个体加入种群中。通过在IEEE30-bus系统和IEEE118-bus系统上的实验比较得出,所提的记忆集策略能非常有效地提高差分演化算法求解动态无功优化问题的能力。