为了求解现实中的动态优化问题(dynamic optimization problem,DOPs)许多学者提出了基于进化算法的动态优化问题,但这些算法都存在寻优速度慢收敛精度低的等问题。为了提高动态进化算法求解动态优化问题的能力,将本文的主要研究内容分为两个方面:一是提出一种新的动态优化算法,二是将新的动态优化算法用于实际问题的求解,这样既可以完善动态算法的理论体系同时也补充了算法的应用体系。其中,对动态进化算法的研究包括两个方面:改进算法进化策略和改进动态处理技术。下面将具体介绍一下研究内容。基于上述为加强动态进化算法求解动态优化问题能力的目的,本文提出一种新的性能更加优异的动态优化算法即基于记忆策略的动态离子运动优化算法(Dynamic Ion Motion Optimization algorithm based on Memory Strategy,DIMOMS)。对其展开研究,首先需要确定动态优化算法所要采用的进化策略,鉴于离子运动算法(Ion Motion Optimization algorithm,IMO)在收敛速度、收敛精度等方面的性能更优异,所以本文采用IMO算法强大的进化策略。但是由于求解函数优化问题时IMO算法收敛速度和收敛精度仍有待提高,而进化算法的进化策略又对动态算法性能起决定作用,直接影响动态优化问题中对每个环境暂态中的最优解的寻优速度和精度。因此为提高算法对每个环境暂态中的最优解的寻优速度和精度,对IMO算法液体阶段和固体阶段离子个体位置更新进行了改进,并将固体阶段难以执行的串行启动条件修正为并行式,并放了宽进化初期的启动条件,提出了改进的离子运动优化算法(An Improved Ion Motion Optimization algorithm,I-IMO)。实验结果表明,I-IMO算法收敛速度、收敛精度明显优于原算法和其他性能优异的算法。其次对本文采用的动态处理技术即记忆策略进行研究,由于动态处理技术反映了进化算法对动态环境转换的处理能力,所以为了与I-IMO算法更好的有效融合增强动态算法性能,对记忆策略进行了改进,依据概率选取存储记忆个体;构建了正反向记忆种群;提出基于余弦相似度排序更新进化种群的策略;以及利用了余弦相似度排序方法在环境变化后增加多样性。最后将I-IMO算法的进化策略微调与改进后的动态机制有效融合。对标准动态测试函数的测试实验结果表明,与其它效果较好的动态优化算法相比,本文提出的动态优化算法在每个环境内寻优速度更快、精度更高、性能更稳定。将DIMOMS算法用于求解动态数据流聚类问题,其核心目的是自动将大量杂乱无章的数据流进行分组,从而使每组都由相似的数据组成,有效帮助对数据流中隐藏的信息进行聚类分析。实验结果显示,与对比算法相比,利用DIMOMS算法进行聚类,效果更好。