动态多目标优化问题无论在科学研究还是在实际应用中都广泛存在。此类问题不仅具有多目标优化问题的基本特征,主要表现在多个目标互相冲突无法同时达到最优,而且这些目标还会随着时间的变化而发生改变,如目标函数、目标函数的数目和限制条件都可能会随时间变化。这些动态变化可能引起问题的帕累托最优前沿（Pareto optimal front,PF）和帕累托最优解集（Pareto optimal set,PS）随着时间发生变化,从而动态多目标优化算法必须要能跟随时间实时追踪到最新的PF和PS。因此,解决动态多目标优化问题是一项挑战。近年来,运用进化算法解决动态多目标优化问题的研究越来越多,给动态多目标优化问题的研究带来巨大进展。但动态多目标优化问题研究仍是一个较新的领域,在动态多目标优化问题、动态多目标优化算法和性能评价指标上,亟待更多且更有创造力的研究成果。同时,进化算法解决实际应用中的动态多目标优化问题的研究需要更多应用成果。因此,研究动态多目标优化问题具有理论和现实的意义。本文主要致力于动态多目标进化算法的研究。通过分析现有动态多目标进化算法和动态多目标测试问题集,找出现有算法在解决动态多目标优化问题上的优势和不足。基于这些分析,本文提出了一种改进的动态多目标进化算法。同时,本文对实际应用中的动态多目标优化问题也引入进化算法进行算法优化与分析。具体研究内容如下:1)提出了一种基于反馈的新型预测策略（A novel feedback-based prediction strategy,FPS）。FPS包含两种反馈机制,第一个是校正反馈（CF）机制,另一个是有效性反馈（EF）机制。CF用于校正初始预测模型。当环境变化时,CF会建立一个可以反映当前种群的特征的代表性个体,并根据初始预测模型计算出该个体在新环境中的预测解。然后,基于变量分类,CF引入了步长探索方法,以实现预测模型的自适应校正,从而增加预测模型的准确性,提高种群的收敛性。EF用于增强重新初始化过程的有效性。重新初始化过程包括两个阶段。在第一阶段,根据校正后的预测模型重新初始化种群中的一半个体。在第二阶段,EF根据第一阶段的重新初始化过程的有效性反馈,使用两轮轮盘赌方法重新初始化其余个体,以此来提升种群的收敛性和多样性。针对FDA、d MOP、F和JY等22个不同的测试问题,将FPS与PPS、SGEA、MOEA/D-KF、Tr-DMOEA和MOEA/D-Mo E五种最新算法相比。实验结果表明,该算法在求解DMOP方面非常有效。2)设计了一款基于带反馈策略的进化算法的三消游戏关卡自动测试机制（An automatic test mechanism for match-3 game levels based on evolutionary algorithm with feedback strategy,简称ATM-EAF）。该自动测试机制旨在通过模拟玩家的行为策略对三消类游戏进行测试,求出通过游戏关卡的一组最优行为解,从而判断玩家体验游戏时的难易程度,以此来指导开发者对游戏的迭代优化。ATM-EAF将每一个游戏关卡视为一个离散的动态多目标优化问题（Discrete dynamic multi-objective optimization problem,DDMOP）,将关卡中的每一个玩家可操作的时间区间作为一个时间步,将每一个时间步中的游戏行为作为问题的解。与此同时,通过对玩家行为分析,每一步的解（游戏行为）在不同维度上的收益被抽象成该解的不同的目标函数。在当前时间步执行某个最优解后,关卡布局会发生变化,即环境发生了改变。为了避免过度寻求局部最优而无法满足全局最优,ATM-EAF引入反馈机制,首先,当环境变化时,找到一组最优解,并随机选择一个个体作为决策解。改决策解被用来消除,然后进入下一个时间步,直到完成该关卡并获得一组决策解为止;然后基于新的局部搜索策略,从关卡决策解集中选择一个解进行扰动,即在此时间步通过局部搜索重新选择执行解;最后,通过对关卡两次运行的对比反馈,更新当前的最优决策解,并且不断对最优执行解随机干扰。针对5个类型各不相同的游戏关卡,将ATM-EAF与5个算法进行对比。实验结果表明,该方法在游戏自动测试方面非常有效。