多目标优化是机器学习中十分重要的领域，而作为启发式的搜索算法，进化算法已经应用于多目标优化之中，并且得到了广泛的研究，许多进化多目标优化算法被学者所提出。随着多目标优化领域研究的不断深入，动态多目标优化这一新的课题应运而生，并且成为了热点话题。动态多目标优化可以看成是多目标优化的延续，可以针对不同的进化多目标优化算法来研究并求解动态多目标优化问题。基于上述的背景，本文针对动态多目标优化问题的特点，设计了新的动态预测方法，并且改进了不同的进化多目标优化算法，提出了两种动态多目标优化算法，最后将提出的算法应用到了动态聚类这一实际问题中。本文具体工作如下：1.提出了一种基于改进的距离预测机制及自适应差分算子的动态多目标优化算法。算法中，首先，针对前向预测策略的特点，提出了一种新的距离预测机制，来预测新时刻的初始种群。其次，针对差分交叉算子的优势，将改进的自适应差分交叉算子应用到非支配近邻免疫算法（Nondominated Neighbor ImmuneAlgorithm，NNIA）之中，来对动态多目标优化问题进行优化求解。通过实验可以发现，新算法有很强的动态变化跟踪能力，在收敛性和多样性方面也优势明显。2.提出了一种基于正交预测机制的动态多目标分解进化算法。算法中，首先，当环境发生变化时，在历史时刻储存的最优Pareto最优解的基础上，用基于正交设计的模型，来产生新时刻的初始种群。其次，为了减小临界点对算法收敛性的影响，对基于分解的多目标进化算法（Multi-objective EvolutionaryAlgorithms Basedon Decomposition，MOEA/D）中的权值生成方法进行改进，用于求解动态多目标优化问题。实验证明，新算法有很好的性能，优于其它的对比算法。3.提出了一种基于动态多目标进化算法的动态聚类算法。该算法是动态多目标优化算法在动态聚类问题上的具体应用。动态数据聚类可以看成是动态多目标优化问题，可以用不同的优化方法来解决。该算法利用动态多目标优化算法同时优化两个聚类目标函数，来对数据进行聚类。针对动态聚类问题的特点，对于不同时刻下的新聚类问题，采用基于正交设计模型的预测机制来产生新个体。对多个数据集进行了测试，实验表明新算法在动态数据聚类上的性能优于其他对比算法，算法可以拓展到其它的实际动态多目标优化问题之中。本课题得到国家自然科学基金(No.61373111)、国家教育部博士点基金(No.20070701022)、省自然科学基金(2010JM8030)、中央高校基本科研基金(No.K50511020014, No K5051302084)的资助。