الگوریتم بهینه سازی بیز، نوعی الگوریتم تکاملی است که در آن از شبکه بیز برای تخمین توزیع جواب های امیدبخش استفاده می شود. این الگوریتم، توانایی درنظر گرفتن وابستگی های چندگانه بین متغیرها را دارد و به عنوان یکی از قوی ترین الگوریتم های تکاملی شناخته شده است. الگوریتم های تکاملی از تکامل طبیعی در طبیعت پویا الهام گرفته شده اند و به علت انطباق پذیری و مبتنی بر جمعیت بودن، به عنوان روش مناسبی برای بهینه سازی در محیط های پویا شناخته شده اند. در محیط های پویا، مساله بهینه سازی در گذر زمان در حال تغییر است. بنابراین نیاز است که جواب بهینه به صورت مکرر جستجو شود. تغییرات محیط پویا ممکن است تکرار شونده و یا تصادفی باشند. نشان داده شده است که در محیط هایی که تغییرات آنها به صورت تکراری است، دانشی که از جستجوهای مکرر کسب می شود، برای تسریعِ فرآیند یافتنِ جواب بهینه در تغییرات آینده محیط، بسیار کمک کننده است. ولی در محیط های پویای تصادفی که در آنها تغییرات محیط، تکراری و چرخشی نیست، تضمینی نیست که شباهت کافی بین وضعیت های قبلی و جدید محیط وجود داشته باشد. بنابراین دانش صریحی که از جستجوهای قبلی کسب می شود، ممکن است برای جستجوی جواب در وضعیت های آینده محیط، مفید واقع نگردد. هدف این پایان نامه این است که دانش و تجربیاتی که به تدریج در محیط های پویای تصادفی کسب می شوند، به نحو مناسبی استخراج و مدیریت گردند تا بتوانند برای تسریع عملیات جستجوی جواب توسط الگوریتم بهینه سازی بیز و منطبق کردن آن با تغییرات آینده محیط پویای تصادفی بکار روند. ابتدا در این پایان نامه، مدل جدیدی ارائه می گردد که در آن رفتار الگوریتم بهینه سازی بیز در محیط پویا به صورت حرکت در یک زنجیره مارکف ناهمگن مدل سازی می شود. سپس بر اساس این مدل، روش پیشنهادی در چهار مرحله ارائه می گردد. بدین ترتیب که ابتدا یک روش اولیه به منظور استفاده ار دانش قبلی پیشنهاد می گردد. سپس در سه مرحله، نقاط ضعف این روش اولیه مطالعه و برطرف می شود تا کارایی الگوریتم بهینه سازی بیز برای محیط های پویای تصادفی با شدت و سرعت تغییرات زیاد، افزایش یابد. هر یک از این روش های پیشنهادی، بر اساس مدل سازی ارائه شده تحلیل می گردند. در روش پیشنهادی اولیه، در هر تغییر محیط پویا، دانش مربوط به محیط های مشابه قبلی، در قالب شبکه های بیز از حافظه بازیابی شده و با هم ترکیب می گردند و برای تخمین نواحی امیدبخش در زنجیره مارکف بکار می روند. سپس در جهت بهبود و افزایش کارایی این روش اولیه، پیشنهاد می شود که به جای ویژگی حالت های محیط، بر روی ویژگی های تغییرات محیط تمرکز شود. برای این منظور، در این پایان نامه ساختار جدیدی به نام شبکه انتقال برای توصیف تغییر وابستگی های شرطی متغیرهای مساله ارائه می گردد تا حرکت الگوریتم بهینه سازی بیز در زنجیره مارکف را به سمت مناسب هدایت کند. سپس برای افزودن قابلیت تعمیم اطلاعات و مدیریت بهتر عدم قطعیت موجود در محیط های پویا، حافظه ترتیبی این روش با حافظه تداعی گر هولوگرافیک جایگزین می گردد. در انتها پیشنهاد می شود که این شبکه های انتقال، به صورت غیرقطعی برای بایاس کردن احتمال انتقال الگوریتم در بین حالات زنجیره مارکف به کار روند. نتایج تحلیلی، شبیه سازی و آزمون t در هر مرحله نشان می دهند که روش های پیشنهادی، کارایی الگوریتم بهینه سازی بیز را در محیط های پویای تصادفی، افزایش می دهند.