演化计算领域中许多算法在解决静态优化问题上取得了很多成果，然而，现实世界是动态变化的，现实世界中的优化问题也大多是动态变化的，例如，在工作调度问题中，新的任务不断到达，需要立即加入到当前调度中；在投资组合问题中，股市中每支股票的价格随着时间变化而变化；多传感器管理问题中，传感器可能会发生故障，传感器性能会发生变化等。近年来，旨在解决动态优化问题的优化算法的研究已经引起了研究者的兴趣，并成为了学术研究热点之一。在众多算法中，粒子群算法由于其简单高效并具有动态交互和信息共享的特征而被越来越多研究者选择用于动态优化问题的研究。然而，传统粒子群算法面临“记忆过时”和“多样性丧失”两大挑战，尤其是“多样性丧失”使算法无法跟踪变化了的最优解，因此需要改进传统粒子群算法以期更好地解决动态优化问题。本文从搜索空间、演化时间和种群中粒子各维位置信息中提取有用信息的不同角度提出了多个解决动态优化问题的多种群粒子群优化算法。本文的主要研究工作如下：1．从动态优化问题的定义出发，阐述了不同的动态环境分类、目前常用的动态优化基准问题、动态优化算法性能度量指标、动态环境的检测、动态优化的最终目标以及动态问题、优化算法和性能评价之间的关系等基本问题。2．综述了演化算法解决动态优化问题的研究方法，并进一步综述了粒子群算法解决动态优化问题的研究现状。指出了基于种群的动态优化算法主要是使用了增加种群多样性，保持种群多样性，使用记忆机制，多种群以及预测机制的方法，论述了几种不同的方法的优缺点并指出多种群方法是目前处理动态优化问题较有希望的方法。3．提出了“有益多样性”的概念，并指出了粒子群算法解决动态优化问题的关键是保持“有益多样性”，并有对最优解所在的区域进行深入开发的能力。4．针对目前多种群方法遇到的陡峭峰难以搜索到的瓶颈，本文从探索陡峭峰存在的搜索空间的角度将顺序小生境的思想引入了传统多种群方法中，提出了基于顺序小生境的逆空间搜索多种群粒子群动态优化算法（RSPSO）。该算法利用使用并行小生境的传统多种群方法粗搜索到的峰的信息修改适应度函数，同时产生一个新的子群－逆向搜索子群，并在该子群上使用修改后的适应度函数进行粒子的评价。原来子群搜索到的空间称为正向搜索空间，逆向搜索子群搜索到的空间称为逆向搜索空间。两类子群共同参与演化，逆向子群更易搜索到其它子群不易搜索到的陡峭的峰，正逆搜索空间互为补充，更大程度覆盖了峰存在的有希望的区域。通过在MPB上实验验证了该算法搜索到峰的能力增强，算法性能有非常显著的提升，并且有更好的鲁棒性，更能适应多种不同剧烈程度的环境变化和不同峰数的问题。5．分析了目前多种群方法找到的多个极值解的记忆方式是在相邻环境下传递的短暂记忆，指出了该记忆方式的缺陷是存在前面演化过程中获得的有用信息的遗失，从而不能充分利用所有有用信息而影响算法性能的进一步提高。本文从演化时间的角度充分地挖掘演化进程中所有获得的有用信息为当前环境中种群所用，提出了多线程记忆机制的多种群粒子群动态优化算法通用框架，外在地使用了存储空间记忆所有演化过程中得到的有用信息，该信息包括所能找峰附近的最优粒子的信息。每次环境变化后，根据上一次演化得到的信息对记忆体中相应的峰的信息进行补充或者更新，同时把记忆体中的较好的粒子引入到当前种群中，从整个动态优化过程来看记忆呈现出多线程并且不间断的特点。根据多线程记忆机制的粒子群动态优化算法的通用框架，提出了两种具体的算法：多线程记忆机制多种群粒子群优化算法（MTM-PSO）和多线程记忆机制逆向搜索多种群粒子群优化算法（MTM-RSPSO）。在MPB问题上进行了测试，验证了加入多线程记忆机制后算法性能的显著提高。6．提出了基于部分全局最优形成（FGBF）技术的聚类方法，该聚类方法利用了优化函数本身信息，针对每个峰分别计算粒子每个维上的维适应度，取出每维上维适应度最高的粒子的维组成一个人工全局最优粒子aGB,有多少峰形成多少对应的aGB粒子，分别以每个aGB粒子为基准，在种群中寻找与之欧式距离最小的一定数量的粒子和aGB粒子一起组成一个聚类。然后提出了一种新的动态优化算法－基于FGBF技术聚类的多种群粒子群动态优化算法（FGBFPSO）。该算法从种群中粒子位置各维信息中提取有用信息的角度进一步推动了粒子群动态优化算法的发展，通过在MPB上实验验证了FGBFPSO优于其它所有算法。