大数据是现代信息技术迅速发展的必然产物,实现对大数据的有效分析和处理不仅仅将带来巨大的经济价值,同时也将推动社会的进步。大数据环境下,数据规模、涌现速度和其处理难点使得待优化的问题也变得异常复杂,如具有大规模、高维、强约束、强动态和多目标等特点。面对这些特点,使用传统优化方法寻找全局最优解就变得非常困难。由于群体智能的自组织性、并行、分布式控制和易于实现等特点,在解决复杂优化问题时表现出了良好的性能。然而传统的群体智能模型并不能满足大数据实际环境中出现的高维、强约束和多目标优化等复杂问题,所以针对解决大数据环境下的复杂优化问题而设计新型群智能优化算法具有非常重要的意义。本文针对大数据环境下优化问题存在的大规模、高维和强约束等问题,探索了一种基于动力学特征的群智能优化算法,论文的主要研究内容和创新点如下:1、针对大数据环境下优化问题的特点及其解决方法进行了深入的分析与探讨,并对现有的群智能优化方法及其改进和应用情况进行了研究。2、基于Logistic种群动力学模型提出了一种种群规模自适应控制策略,实现了种群规模随着进化过程动态的改变。该策略的实现不依赖于算法的具体操作步骤,本文将该策略应用到传统粒子群算法中,并采用经典测试函数验证其性能。测试结果表明,应用了种群规模自适应动态控制策略的粒子群算法,在求解精度和收敛速度方面较传统算法有明显提升。3、生物动力学优化算法是将群集动力学的概念和理论结合到经典群智能算法中的一种新型生物进化动力学优化算法。本文以标准测试函数为例,测试并分析了此算法的特性。通过对大规模及高维问题的测试结果可以看到,结合了拉格朗日动力学方法的群智能算法,比传统算法具有更好的种群多样性和全局寻优能力。4、车辆路径问题属于典型的组合优化问题,已被证明是NP难题。在大数据环境背景下的车辆路径问题具有强约束和大规模的特点,针对此问题,本文将生物动力学优化算法用于求解带容量约束的车辆路径问题,并与其它算法的运行结果进行比较,结果显示生物动力学优化算法具有较好的求解组合优化问题的能力。