演化算法(Evolutionary Algorithms)已被广泛应用于求解各类静态优化问题,并且取得了大量有着重要的应用价值的研究成果。在现实世界中还有一类重要的动态优化问题,此类问题中的优化目标函数、约束条件和环境相关参数会随着时间的变化而动态改变,导致问题的最优解也随之而变化。动态优化问题有着广阔的应用背景,其求解方法及其应用研究已发展为一个重要的领域。求解这类问题的一种较为简单的做法就是一旦环境发生变化,则算法对问题进行重新求解。然而这类方法的应用有很大的局限性,一方面对历史信息的完全舍弃,对算法效率有较大的影响；另一方面,环境变化的检测在实际应用中也存在困难。同时,如果每次环境发生变化后都重新求解,对于环境变化周期较短的情形,由于算法收敛到最优解需要一定的计算步骤,因此也容易使算法还没有达到一个令人满意解的时候而需要从头开始计算,最终导致算法频繁的重启而很难寻得令人满意的解。常规的演化算法通过一系列的迭代而最终收敛到一个满意解,然而在经过一系列的演化算子操作后,种群的多样性也难于得到保证。本文针对动态优化问题的特性,在常规的演化算法中融入有效的演化策略,一方面保证算法维持一定的种群多样性,另一方面加强算法的全局寻优能力,使算法能较好的适应动态的环境。具体研究内容如下：1.从动态优化问题的形式化定义出发,对演化优化及演化动态优化相关研究进展进行概述,重点是对动态优化问题相关研究进展进行了详细的综述。从动态优化问题的形式化描述、特征、动态优化问题的类别、环境变化的类型以及求解动态优化问题的基本框架和相关的性能评价指标作了详细的描述。2.分析了多种群策略在动态优化问题求解中的作用,针对适合0-1编码的一类动态优化问题,提出一种基于精英个体迁移的主从式双种群动态遗传算法,并在演化的过程中结合记忆的机制,把记忆的优秀个体参与到演化操作中,使算法在不断探索新解的同时充分利用历史最优信息；同时在各种群中采用不同的选择策略,以达到算法探索(exploration)能力和开发(exploitation)能力之间的平衡,通过对一组基准测试函数的数值实验验证了算法的有效性。3.针对常规演化算法种群多样性易丧失的问题,提出一种自适应邻域搜索策略的动态粒子群优化算法,并在演化的过程中结合多角色演化策略,把种群中的个体根据其适应值的不同分配不同的角色,并在更新的过程中采用不同的更新策略,从而更好的维持种群的多样性,为算法跟踪最优解的变化轨迹提供了保障,通过对移动峰测试函数在不同变化周期和变化强度下的数值实验,验证了算法跟踪极值点变化轨迹的能力。4.为了更好的平衡算法收敛速度与种群多样性,提出了一个动态差分演化算法,针对差分演化的变异策略,采用基于邻域最优个体作为/DE/best/1变异策略中的局部最优个体,同时在选择操作中采用父代个体和子代个体距离最近的两个个体之间进行锦标赛选择,以此来维持种群多样性,使得算法能够更好的跟踪最优解的变化轨迹,通过对移动峰在不同变化周期和变化强度下的数值实验,验证了算法在不同变化周期和变化强度下均能有效跟踪极值点的变化。