在工业、经济或者科学研究等领域,都存在很多动态多目标优化问题,这类问题不仅包含多个相互冲突的目标函数,而且这些函数又会随时间改变而发生改变。由于动态多目标优化问题的时间相关特性,不仅要求动态多目标优化算法在环境稳定的时间内快速地搜索到最优解集,也要求算法在环境变化的时可以高效地追踪新到环境的最优解集,因此动态多目标优化算法解决动态多目标优化问题时困难比较大。越来越多的学术研究者在多目标优化算法的基础上,嵌入环境变化检测机制和环境变化响应机制,使三者结合,设计动态多目标优化算法。本文通过对现有动态多目标优化算法进行研究和分析发现,现有的动态多目标优化算法的主流程框架类似,然而大多数动态多目标优化算法的环境变化检测机制功能性单一,当环境变化性质与预测模型的契合度不高时,环境变化响应机制作用不够灵活,导致算法优化问题性能不理想。因此本文主要针对环境变化检测机制功能性薄弱的问题深入分析,设计了一种新的环境检测机制,不仅仅检测环境是否发生变化,还反馈环境变化的属性信息,提出了一种基于线性环境检测的混合策略动态多目标优化算法。本文的主要工作包括两个方面:首先,本文针对现有动态多目标优化算法的不足,提出了MSDA-LEM算法。该算法的核心是根据环境动态变化前后的种群迁移情况,判断环境变化的性质信息,根据不同性质的环境,有针对地选择不同的环境变化响应机制来初始化种群,从而使算法在新环境下产生收敛性和多样性更好的种群。其次,本文通过对云环境资源调度的相关背景进行了深入研究和分析,通过虚拟机动态迁移的方式,提出一种虚拟动态云环境资源调度的数学模型,该模型兼顾云环境的总能耗和云环境的服务质量两个目标。本文在MSDA-LEM算法的基础上,修改了部分算法操作变成了MSDA-LEM/Cloud算法,并且运用于该虚拟动态云环境资源调度模型。