优化问题是一个古老而又具有挑战性的问题，优化问题被广泛的用于科学研究与工程实践中。传统的优化方法计算量大、复杂程度高，难以求解复杂的优化问题，有时无法找到问题的全局最优解。采用智能算法解决优化问题计算简单，容易实现，因此，将智能算法应用于求解优化问题已经成为一种热门而且有效的方法。微粒群算法(Particle Swarm Optimization, PSO)是Kennedy和Eberhart受到鸟群觅食行为的启发而提出来的一种群体智能优化方法。由于微粒群算法计算简单，易于实现，全局收敛能力强和具有鲁棒性等优点，已经成为计算智能领域的研究热点，并在不断的研究、改进及应用中。随着研究人员对微粒群优化算法的深入研究，该算法已被成功地应用于解决静态优化问题。然而，现实生活中的许多问题是随着时间和空间的变化而变化的动态优化问题(Dynamic Optimization Problem，DOP)，然而，面对这些变化的动态优化问题，要求优化算法能够及时的反应，快速的跟踪变化的解。这对于微粒群优化算法来说不仅是一个新的研究领域，更是一个挑战。针对以上问题，本文从原理、方法和应用三个方面对动态环境中的微粒算法进行了研究。论文的主要内容包括以下三个部分：1、针对标准微粒群算法容易陷入局部最优的不足，提出一种改进的自适应微粒群算法。在该算法中，首先找出微粒群中个体的全局最优适应度值和全局最差适应度值，然后基于这两个值对标准微粒群算法中的“社会”影响部分进行改进，同时针对环境变化后对环境变化的响应提出一种全新的响应方法，最后，通过实验验证了该改进算法的有效性。2、针对标准微粒群算法在进化过程中容易失去种群多样性的问题，将整个种群分成两个子群，一个子群用来开发新的搜索区域寻找最优解，另一个子群结合群搜索(GroupSearch Optimizer, GSO)机制保持种群多样性，避免算法陷入局部极值。提出了一种能够在算法执行过程中始终保持种群多样性的微粒群算法，实验验证了改进算法具有良好的保持种群多样性的性能。3、设计与实现了基于动态微粒群优化的群体动画路径规划子系统。解决了路径规划过程中的碰撞避免问题，实现了应用微粒群优化进行路径规划，并采用子系统设计实现了群体动画现象的路径规划，在实际动画制作中加以应用。