连续优化在各行各业中应用广泛,一直是一个研究热点。在连续域中,当求解问题的目标函数或其参数不随时间变化而变化,则称为静态环境优化,反之则称为动态环境优化。解决这类优化问题的传统优化方法大都基于梯度信息的数学求解,并且要求目标函数连续且可微。这种计算架构带来了难以克服的局限性,不能广泛而准确的实现目标函数的求解。为此,人们尝试用基于群体智能的启发式算法来解决这类问题,其中粒子群优化算法(PSO)是模拟自然界生物群体行为的一种仿生智能算法,能够对不确定数据进行优化计算,同时PSO因其思想直观、实现简单、可调参数少且执行效率高等特点已经成功应用于连续优化问题。但标准的PSO算法在解决连续域中高维多模态函数时存在易陷入局部极小、收敛速度慢等问题。为此,本文提出了一种基于解空间分区间的分群粒子群优化算法,该算法将解空间划分成若干个子空间,每个空间随机分配一组粒子,各组粒子在每个子空间内进行独立搜索,从而将多极值问题分解成单极值问题,至少大幅减少了需要寻优的极值数。为了保证每个种群的搜索多样性和遍历性,引入混沌序列确定各组粒子的初始位置。实验表明：该算法求解高维复杂多模函数时,精度高,收敛速度快,效果令人满意。用标准的PSO算法解决动态连续函数优化问题时,因其求解过程是逐步收敛于最优解,在进化后期失去了种群的多样性,不能适应环境的变化。已有的改进算法大多存在计算量大、适应能力差等缺点。为此,本文提出了一种新的分组分层动态粒子群算法。考虑到寻优的目标是跟踪变化的极值点,即最优解在全局范围内动态变化,在分区分组的基础上,由各组的最优粒子构成全局搜索粒子群实施全局搜索,得到的结果反馈到各组中,指导各组粒子在基层进行局部搜索,由于分区间的设定,各组粒子搜索范围缩小且并行执行,大大提高了算法的执行效率。同时为了提高算法适应动态环境的能力,提出了基于各组最优粒子自身信息变化的环境检测方法以及各组中基于全局最优粒子和其他粒子的平均距离的多样性判断的环境响应方法,使得算法能够有选择的、有方向的更新各组粒子的位置。实验表明：该算法能够迅速适应环境变化,跟踪动态变化的极值点,效果非常令人满意。