在现实生活中，诸多领域都会涉及到许多静态和动态的优化问题，像是工程设计、网络通信、资本预算、城市运输、数据挖掘等等，并且这些优化问题大多都是多目标的。目前，已经有大量成熟经典的进化算法来解决这些静态多目标优化问题。直到近几年，动态优化问题才引起越来越多研究者的兴趣，其中大多数都是动态单目标优化问题，相比之下动态多目标优化问题的研究成果却并不多，这主要是因为解决动态多目标优化问题具有很大的挑战性。基于上述背景，本文提出了基于协同进化的动态多目标优化算法。本文的具体工作如下：1.提出了一种基于多粒子群协同的动态多目标优化算法。算法中，粒子群的个数由目标函数的个数来决定，有几个目标函数就有几个粒子群。粒子群间通过共享档案信息来进行协同进化。为了提高算法的性能，对粒子速度更新公式进行了改进以及对粒子进行边界约束，确保了算法快速的收敛性能。相似性检测算子来对环境进行检测，相应的动态机制来改善算法的多样性。与三种动态多目标优化算法进行了比较，实验证明该算法具有不错的性能。2.提出了一种基于合作型协同进化的动态多目标优化算法。算法中，采用“分而治之”的思想将问题分解，根据决策变量的搜索空间分为不同的种群，种群间通过相互受益、相互制约、相互协同、共同进化的方法来寻找最优解集，从而提高算法的收敛性。利用相似性检测算子来检测环境的改变，当环境发生改变后，改进的预测策略起作用。新的初始种群大部分选用线性回归的预测模型产生，少部分随机产生，从而提高算法的多样性。实验结果表明，基于非支配排序的合作型协同进化动态多目标进化算法在解决动态多目标问题上的性能是很不错的。3.提出了一种基于时间序列预测AR模型的协同动态多目标优化算法。算法中，采用时间序列预测的AR模型。当环境变化的时候，可以根据历史的信息来预测新环境的初始种群个体，使其的位置接近目标函数的最优解集，从而加快算法的收敛速度。结合合作型协同进化来解决动态多目标优化问题。实验表明，AR模型非常适用于动态多目标优化问题。