动态优化（Dynamic Optimization）是指目标函数、约束函数以及设计变量随时间变化的一类优化问题的求解方法或技术。自其理论和方法建立以来,受到学术界的广泛关注,且在诸多工程背景中取得了良好的应用,包括航空航天、武器制导、机器人轨迹优化、金融以及社会政策制定等领域。然而,动态优化方法在实际应用中难免遇到一些问题:在一些工业软件和仿真平台中状态方程以黑箱仿真模型等隐式方式存在;随着实际受控系统的日益复杂化,建立或者获取“便宜”估值的显式状态方程较为困难,甚至无法建立复杂受控过程的机理模型;基于梯度信息的优化求解方法容易陷入局部最优。针对这些问题,本文系统研究基于代理模型的动态优化问题求解方法,主要研究内容如下:1)针对隐式状态方程的动态优化问题,将状态方程右端式视为黑箱模型,提出一种基于空间自适应划分的分层神经网络模型及其构建方法。通过结合灵敏度指标和局部区域区间长度信息,在当前区域随机采样、构建局部神经网络代理模型并测试近似精度、执行空间划分,直到所有局部区域的代理模型精度满足要求,从而建立状态方程右端式的高精度代理模型。结合动态优化经典求解方法,实现隐式状态方程下动态优化问题的求解。2)针对状态方程复杂冗长、估值昂贵的动态优化问题,提出一种新颖的基于轨迹点误差筛选和距离聚类的Kriging模型序列采样与更新方法。在基于代理模型求解动态优化问题的过程中,同步进行Kriging模型的更新。由于该代理模型估值“便宜”且易于提取梯度信息,基于该代理模型,动态优化问题的计算成本能得到大幅度降低。3)针对无模型实际受控系统的动态优化问题,提出一种Kriging模型轨迹数据采样和滚动优化方法。基于最新Kriging模型规划出当前最优轨迹和最优控制策略,借鉴滚动优化思想取该控制策略的部分控制序列驱动受控对象运行,从受控系统实际运行时测量得到的状态轨迹数据中挑选采样点,更新状态方程右端式的Kriging模型,如此反复迭代直到满足精度要求且所求结果收敛。该算法适用于具有重复运动性质的受控对象,且不依赖于受控对象的机理模型。4)针对基于梯度信息的优化算法容易陷入局部最优的问题,提出两种面向动态优化问题的全局寻优算法。方法一在水平集动态规划（Level-Set Dynamic Programming,LSDP）方法保证全局最优性的基础上,利用一系列径向基函数（Radial basis functions,RBF）模型来局部逼近黑箱状态转移方程,提高动态规划的求解速度。方法二在初始离散时间网格较为稀疏时,选择随机优化算法进行动态优化问题的初始求解,在得到初始解后,后续非线性规划（Non-linear programming,NLP）求解过程中使用高效的基于梯度信息的优化求解器。为防止当前解陷入局部最优,确定了NLP求解器选择当前初始解的准则。所提两种算法不仅适用于显式状态方程的动态优化问题,也适用于隐式状态方程的动态优化问题。