计算机技术为智能优化奠定了基础,世界各国把智能优化作为发展战略之一。具有多个最优解以及次优解的多模态优化问题不断出现在生产生活中,然而传统智能优化算法难以同时提供多个最优以及次优解,导致多模态优化技术需求急剧增加,新型多模态智能优化算法逐渐成为一个较热的研究方向。近十多年来,已有部分多模态优化策略用于解决多模态寻优问题,但均存在一定的局限性,导致其无法在计算资源有限或者动态条件下对多模态优化问题进行有效寻优。针对该问题,本论文提出了多元优化过程记忆算法(Multivariant Optimization Process Memorise Algorithm, MOA),并证明了动静态条件下算法的多模态寻优有效性。论文通过研究多模态寻优策略、分析多模态寻优研究热点,提出并建立了MOA算法。对算法基本思想、程序流程和算例进行了详细地描述。为了证明MOA算法多模态寻优有效性,奠定MOA算法理论基础。首先,估计算法的复杂度,阐明了MOA算法计算复杂度低的特点；然后,基于Markov链模型,证明了算法的收敛性：接着,介绍了MOA算法多元化结构、全局局部交替寻优方式和记忆寻优过程思想在多模态寻优中的特点；最后,展示了MOA算法在静态和动态条件下的多模态寻优过程,形象地说明了MOA算法多模态寻优有效性。设计并实现了多模态寻优算法性能对比实验平台,对比分析六算法对五十五个动静态多模测试函数和动静态路径规划问题的寻优性能。以IEEE群智能会议(SIS)和文献中提出的四十一个常用多模态寻优测试函数为对象,测试MOA算法在静态多模态优化问题中的全局寻优和多解寻优性能,并用MOA算法给出静态多模态最短路径规划问题寻优解。实验结果表明,全局寻优问题中MOA算法在复杂性、渐近性、可达性、收敛性方面表现较好,多解寻优问题中MOA算法成功率高,适应度评价次数少,最短路径规划测试中的最优性、稳定性及效率方面表现出色。证明了MOA算法静态多模态寻优有效性。以八个移动峰测试函数集和IEEE进化计算会议提供的六个十维动态多模态函数为测试对象,研究MOA算法动态多模态全局寻优和多解寻优性能,并用MOA算法给出动态最短路径规划问题寻优解,测试MOA算法提供实时最短路径的最优性和综合离线性能。实验结果表明,MOA算法能够在多个局部陷阱中,同时发现并实时跟踪多个最优解以及次优解,在对全局最优解的发现及实时跟踪性能、综合离线性能和实时最短路径最优性方面表现出色。证明了MOA算法动态多模态寻优有效性。