进化计算是基于自然选择和遗传等生物进化机制的一种迭代式搜索算法,是以达尔文的进化论思想为基础,通过模拟生物进化过程与机制的自组织、自适应的人工智能技术。进化算法已经在多目标优化领域得到了成功的应用,但大多数的研究主要局限于静态多目标优化问题。然而在现实生活,广泛地存在许多动态多目标优化问题(dynamic multi-objective optimization problems,DMOPs),这些问题中不仅存在多个相互冲突的目标,同时受环境的影响,目标和参数等都可能处于动态变化之中,如何使得种群能快速跟踪动态环境变化,及时搜索到新的最优解集是求解DMOPs的主要难点。目前国内外对动态多目标进化算法的研究尚处于起步阶段,研究者们在静态算法的基础上设计了一些新的方法来求解DMOPs,随机初始化、超变异、记忆、预测等策略已被研究者们证实是几种比较好的求解DOMPs的方法。然而,随着DMOPs的日益发展,这些方法也存在很多缺陷,主要表现在以下几个方面。首先,随机初始化、超变异、动态迁移等策略都是一种盲目的增加种群多样的方法,并不具备正确的指导性,当遇到较为复杂的DMOPs,收敛效果并不理想。其次,通过记忆复用以前搜索到的最优解来对新的环境变化做出快速响应,这对于周期性变化的问题能取得不错的效果,而对于非周期性变化的问题或者在第一个周期变化的环境下,种群仍处在盲目进化过程中,算法难以获得较好的收敛性。最后,通过预测模型预测产生新的最优解集,能帮助算法对新变化做出快速响应,然而预测的准确性是其最主要的难点,需要我们设计符合环境变化规律的精准的预测模型。本文在研究分析了国内外动态多目标进化算法现状的基础上,提出了一种新的求解动态多目标优化问题的预测策略及一种预测与记忆相结合的双重策略,并提出了一种基动态环境进化模型的种群多样性保持策略。本文提出了一种基于引导个体的预测策略(Prediction Strategy based on Guide-Individual,GIPS)来求解DMOPs。该策略利用种群在新环境下自身的进化能力,预先进化一小段时间后产生可供预测的进化方向,通过引导个体的产生机制,实现对最优解集的潜在区域的预测。在七个传统的标准测试问题以及五个新测试问题上,将该策略与其它两种预测策略进行对比分析,实验结果表明,GIPS具有更快地响应环境变化的能力。本文提出了一种预测与记忆相结合的双重策略(Novel prediction and memory strategies,PMS)来求解DMOPs。该策略将基于种群进化方向的探索策略和基于解集关联性的开采策略相结合,同时引入基于最优解集的记忆策略,使算法能有效地求解具有不同变化规律的DMOPs。与其它三种策略在一系列经典测试问题上进行比较分析,实验结果表明PMS能获得收敛性和分布性更好的解集。最后,本文从动态环境进化的思路出发,提出一种基于动态环境进化模型的种群多样性保持策略(A population diversity maintaining strategy based on dynamic environment evolutionary model,DEE-PDMS),该策略通过网格技术模拟动态环境,利用进化环境记录种群进化过程中产生的知识信息,并反过来指导种群搜索,帮助种群适应新环境,从而构建一个动态环境进化模型,实现环境与种群的共同进化。