流程雁阵(Process Goose Queue，PGQ)采用了基于数学规划的寻优方式，对工艺模型依赖性强，并且，在对流程雁阵阵形进行调整期间，无法对其它扰动进行有效地反应，从而影响整体优化目标的实现。针对此类问题，论文进行了以下研究:　　首先，受动态多峰函数优化的思路的启发，提出了一种基于熵模型的动态粒子群算法，利用熵模型公式来克服粒子群算法中容易陷入局部极值的缺点。算法包括空间等分机制，多样性增加机制，动态检测机制。并且对动态多峰经典问题进行了模拟，以此证实了算法的可行性。　　其次，将基于熵模型的动态粒子群算法应用于多级雁阵优化算法中，熵模型可以检测粒子的分散程度，提高了流程雁阵寻优的精度。在每个流程雁阵优化过程中将粒子群算法的迭代次数等分，在每个迭代区间完成后执行动态检测机制，实时检测是否发生新的扰动。从而，克服了流程雁阵无法对新的扰动做出反应的缺点。　　最后，采用了TE过程进行仿真实验，利用流程雁阵分解协调机制建立了多级流程雁阵系统，通过动态粒子群算法进行进化寻优，以保证过程的经济成本最小化。另外，在连续发生扰动的情况下，所提出的方法仍然可以对新的扰动做出及时的响应，通过与以前的流程雁阵进行对比，证明了算法的有效性。