大多数实际问题都存在一定程度的不确定性。基于种群优化的处理不确定性问题一般有两种方法:一是获取目标问题的鲁棒解,使所得解的性能在不确定因素的影响下一直维持在可接受的水平。二是采用动态跟踪的方法,即当外界条件发生变化时能迅速获得新的最优解。但这两种方法均有不足,前者是基于不确定量很小的假设,而实际问题中却可能有较大的不确定量,后者则要求算法能及时求得并切换到新的最优解,而实际应用中算法却往往不能迅速找到新的最优解,而且频繁的切换解在很多实际问题中很难做到。时域鲁棒优化(Robust optimization over time,ROOT)是综合了以上两种方法而提出的一种新的优化方法。本文在此理论基础上开展了如下研究:(1)针对现有时域鲁棒优化算法的评估指标均基于预测的适应度函数值,这影响了算法评估的准确性。为此,本文提出了三种新的基于真实适应度函数值的评价指标,并实验验证了所提指标的有效性。其中,指标“误差(error)”可以定量地反映出算法所获得解的鲁棒性与真实解的鲁棒性之间的误差;指标“成功(success)”能直观有效地判定出算法在每个动态环境中是否能成功地运行;指标“成功率(success rate)”可以有效地统计出算法的整体性能。与已有的评估指标相比,新提出的三个指标不仅能够比较不同算法之间的优劣,而且还能有效地度量算法自身在不同参数下的性能。(2)针对含约束的动态优化问题,本文基于群智能优化的方法,提出了一种含约束的时域鲁棒优化新算法。在该算法中,约束条件被构造成罚函数,并将其与目标函数分离,作为两个独立的适应度评价函数,并采用群智能竞争选择机制寻找时域鲁棒解。以碳纤维原丝性能的优化问题为例,将算法在多组参数下进行测试和对比分析,结果表明了所提算法的有效性。同时,进一步分析了预测模型对算法性能的影响,指出了预测模型的改进是提升算法性能的一个重要手段。(3)为时域鲁棒优化过程中进一步考虑解的切换代价,本文结合多目标优化方法,首次提出了考虑切换代价的时域鲁棒优化(Robustness over Time considering Switching Cost,ROOT/SC)算法。由于实际问题中解的切换往往会产生一定的代价,为此通过定义切换前、后解的变化量为切换代价,并以多目标粒子群为优化器,设计出ROOT/SC算法。通过一系列的实验测试,证实了所提出算法的有效性。同时,分析了各参数对新算法性能的影响。对比了现有的其它算法,实验结果表明本文所提出的算法具有以下优点:其求得的解不仅考虑了鲁棒性,而且也考虑了切换代价的最小化。(4)为了在多个动态环境下进行解的切换时能兼顾到其鲁棒性和切换代价,本文提出了一种基于用户偏好策略驱动时域鲁棒优化方法。首先,为改进ROOT/SC算法的性能,受多目标化(Multiobjectivization)思想的启发,在算法中引入了一个辅助目标以增强其搜索Pareto解集的能力,并基于此提出了ROOT/SCII算法。实验结果验证了所提方法的有效性。其次,针对多个动态环境下解的切换问题,采用ROOT/SCII算法寻找鲁棒性最大化和切换代价最小化的非支配解集,并结合用户偏好策略从所得非支配解集中选择一个偏好解。并以两个策略为例,设计了一种基于用户偏好的策略驱动时域鲁棒优化算法。最后,通过实验测试及对不同策略下获得解序列的各项性能的评估,表明所提的方法能根据策略有效地选则偏好解进行切换。对比其它方法,所提的方法能兼顾到切换代价的优化。另外,通过实验测试了不同鲁棒阈值,不同动态类型,不同维度对算法的影响,结果表明所提方法具有通用性。本文所提方法的优点体现在能根据用户的偏好,灵活地选择合适的解进行切换,且同时兼顾了解的鲁棒性和切换代价的优化。最后,对全文的工作进行了总结,并对未来的研究工作进行了讨论和展望。