在实际工程领域,存在大量的多模态优化问题。但由于实际环境中的一些动态因素和不确定性,如无人机航迹规划时飞行环境存在的动态因素,电力调度中风力出电的不确定性,流水线上临时出现新任务等,使得静态多模态优化问题转化为更为复杂的动态多模态优化问题,例如问题的约束,参数,以及维度等因素发生变化。该类问题是科学研究和实际工程领域中亟待解决的优化问题之一,对于该问题的求解已成为智能优化领域的热点和难点问题。因此,本文在对动态多模态优化问题特性进行深入分析和研究的基础上,从问题的多模态特性和动态特性两方面出发,通过对进化过程知识的挖掘和学习,提出一种基于知识引导的自适应动态多模态差分进化算法。首先,介绍动态多模态优化问题的研究背景及其研究意义;综述了动态多模态优化问题的研究现状,以及总结了现有动态算法中典型策略的优缺点。其次,对本文提出算法的相关知识进行详细阐述。其中包括,经典差分进化算法基本原理,对经典差分算法的改进研究,以及论述了自组织映射神经网络的工作原理及其特性,并提出一种基于自组织映射神经网络的小生境策略。然后,在上述基础上,提出一种基于知识引导的自适应差分进化算法。通过对种群全局知识和个体邻域知识的综合学习,设计一种基于知识引导的自适应差分进化算法,在对种群进化状态进行实时监测和分析的基础上,逐层递进地引导不同种群个体自适应地选择最符合当前进化需求的变异方式,提升种群进化和搜索效率,平衡种群多样性与收敛性;针对问题动态特性,设计一种基于历史动态过程知识引导的自适应动态响应机制,通过对历史寻优经验的自适应学习,预测生成新环境下的潜在精英个体,引导种群实现精准快速的多峰定位。最后,通过动态多模态测试函数对所提算法进行性能验证,同时将所提算法应用于求解实际问题。动态多模态测试函数选取目前最为常用的移动峰值函数,用于检测所提算法的寻优性能,并与多个经典动态多模态优化算法进行对比试验分析,试验结果表明本文所设计的动态多模态寻优算法性能优于其他经典寻优算法,验证了本文所设计算法的有效性,证明其能够实现对动态环境解空间精准、快速多峰定位,是一种有效的动态多模态优化算法;实际应用选取无人机路径规划问题,寻优结果表明所提算法能够实时根据飞行环境对无人机的飞行航迹做出实时最优规划。