现实生活中,在生产调度、组合优化、工程设计、大规模数据处理等诸多领域,常常会遇到许多复杂的动态多目标优化问题。这类问题目标函数不仅与决策变量有关,而且受环境变化的影响,所以很难设计出一种针对所有问题的通用方法。目前,已经存在很多方法用于解决动态多目标优化问题,其中,最有前途的一种方法是预测,特别是基于点到点的预测方法,但是这类方法忽略了动态多目标问题的一些性质,比如:Pareto最优解之间的相对结构信息,Pareto最优解集的概率分布信息等。当当前Pareto最优解集相比历史Pareto最优解集越来越分散时,更不能达到很好的预测效果。目前,动态多目标优化算法包括三部分:环境检测部分,当检测到环境未发生改变时的多目标优化算法部分,环境发生改变后怎样响应环境变化部分。当检测到环境发生变化时,针对动态多目标优化问题解的特性,本文提出了一种基于概率的区域预测策略,考虑到Pareto最优解集之间的结构信息,对历史的Pareto最优解集进行K-mediods聚类产生子集,考虑到Pareto最优解集之间的概率分布信息,利用量子概率分布模型产生新环境下“基于概率的区域”。受到量子进化算法的启发,提出了一种“基于概率的区域”预测策略以快速有效地预测下一时刻“基于概率的区域”,同时,本文还提出了一种竞争机制,通过这种方法,产生的新种群能靠近新环境下真实Pareto最优解集。最后,本文进行了多组对比实验,实验结果表明,本文提出的方法能有效、快速地追踪到时变的Pareto前沿。最后,对全文进行总结,并阐述了本文存在的不足,同时对将来的研究工作进行展望。