进化算法(EA)已被广泛应用于静态优化问题的求解,并且已经获得大量极为有价值的研究成果。然而现实世界中很多优化问题都是动态、时变的,它们会因为目标函数、环境参数或者约束条件的变化而随时产生变化,频繁变化的解空间会使得最优解也随时间的变化而发生变化,这就是动态优化问题。由于传统EA在其进化后期会失去对环境变化的适应能力,因此对EA进行改进,将其应用到动态优化问题中,跟踪动态环境的变化已成为一个新的研究领域。本文在对动态优化问题和EA进行了概述的基础上,介绍了一种用于动态优化问题的基于记忆的典型的进化算法—记忆提高进化算法(Memory Enhanced Evolutionary Algorithms,简称MEEA),并进行了仿真研究,结果验证了该方法在周期性变化环境中的性能优于传统EA。然后,针对传统动态EA中环境检测方法的局限性,给出了改进的环境检测方法,并提出一种改进算法—动态环境下基于环境检测的EA,在算法中除应用新的检测方法外,还增加了一个预处理算子来改善算法的性能。在模拟的动态环境中对该算法进行了仿真研究,实验结果表明该算法的跟踪性能优于MEEA。最后,针对传统基于记忆的EA中记忆体大小固定不变给算法带来的局限性,提出一种改进算法—动态环境下基于可变记忆的EA,在该算法中,记忆体和种群的大小都是随着进化过程的进行,按照某种方式在不断的变化,同时该算法还应用过度变异策略来增加种群的多样性。仿真结果表明,该算法的跟踪误差小于MEEA,从而验证了该算法的有效性。