现实世界中的优化问题大多是时变的，问题的最优解会随着目标函数，环境参数或者约束条件的变化随时发生变化。显然在求解这类动态优化问题时，—种最直接的方法就是将每次环境的变化都看作是一个新优化问题的开始，从头进行求解。然而这种简单的方法通常是不切实际的，一方面是因为不重用过去的信息从头求解问题太浪费时间，另—方面环境的变化有时很难被探测到，或者至少在_段时间内是不能够被发现的。此外，新问题的最优解与旧问题的最优解可能相差不多，如果每次微小的变化都需要对问题重新进行求解是非常不经济的。 进化计算方法是—类模拟生物进化过程中自然选择机制和遗传信息传递规律的优化方法，由于自然进化过程实际上是一种随机的自适应、自学习的动态过程，所以进化计算自然就成为解决各种动态优化和不确定优化问题的一种选择。然而一般进化计算方法在迭代过程中种群最终会收敛于一个满意解，从而失去了探索问题空间所必需的种群多样性。因此一旦算法的种群趋于收敛，它也就失去了对环境变化的适应能力，这就是进化算法在动态环境中所面临的主要挑战。 为了解决上述问题，本文遵循综述—算法研究—算法应用的思路对动态进化计算方法进行系统性研究，具体内容如下： (1)对动态环境中进化计算方法的相关研究情况进行了详细地综述。首先对进化计算方法所关注的动态优化问题进行概述，详细介绍了动态环境的基本特征以及各种被用于测试算法性能的动态优化问题，并对算法性能的评估方法和环境变化的探测方法也进行了简述。然后综述了各种动态环境中的进化算法，把这些方法分为修改EA算子策略，始终保持种群多样性策略，基于记忆的方法和多种群的方法四类进行介绍。最后对求解动态优化问题的粒子群优化算法也进行简单综述。 (2)对—种求解动态0-1优化问题的原对偶遗传算法(PDGA)进行研究，通过对算法中一个关键运算一原对偶映射(PDM)的讨论和分析，提出了一种基于统计概率的PDM方法，通过一组动态测试函数的实验表明这种基于统计概率的PDGA(S-PDGA)在动态环境中能够获得更好的性能。 (3)时变背包问题是一类被广泛研究的动态优化问题，虽然这类问题并不是实际意义上的优化问题，但是很多现实世界中的问题都可以通过它来描述。针对这类问题的研究有利于动态进化计算方法在简单的函数优化和最终应用到求解复杂的现实优化问题之间搭建起联系的桥梁。本文利用PDGA算法对两类不同的时变背包问题进行求解，仿真实验表明所提出的S-PDGA算法能够很好解决这类问题。 (4)近些年来，利用用粒子群优化算法(PSO)求解动态优化问题的研究引起了越来越多的关注。本文将一种显式记忆的思想引入到PSO中，同时为了保持算法的搜索能力和开发能力的平衡，将整个粒子群分成搜索粒子群、开发粒子群和记忆粒子群三个子粒子群，从而提出了—种记忆增强的三岛PSO算法。为了增强这种三岛PSO算法的探索能力，本文进一步讨论了—种触发式记忆的方法，提出了两种不同的触发方案，并对记忆信息的各种重用方法也进行了讨论，通过对移动峰问题的实验，表明了这种触发式记忆方法能够使PSO更为适用和有效地求解动态优化问题。 (5)对动态环境中的多粒子群PSO算法进行研究。首先讨论了各粒子群之间如何进行相互作用和联系以及怎样更新的各种策略，提出了一种多粒子群PSO算法(MPSO)，然后根据一种分叉GA的思想，提出了另—种多粒子群算法(FPSO)以解决MPSO中子种群数量不易直接确定的问题，最后通过实验来检验两种多粒子群PSO算法的优劣点。 (6)城市供水系统的运行是一个持续不问断的过程，本文将整个供水调度过程看作是一个连续的实时优化过程，利用基于记忆的PSO和多粒子群的PSO对—个简化的供水即时调度仿真实例进行求解，仿真结果表明了两种改进的PSO算法能够获得更好的性能，从而为城市供水即时调度问题的研究提供了—个新的思路。