动态多目标优化问题（DMOP）是科学研究与工程实践中普遍存在的基础性优化问题，应用前景广泛，解决其中的核心难题，对推进该领域的发展与应用有着重要的科学与工程意义。目前，大多数动态多目标问题的求解方法（DMOEA）是在一些成功的静态多目标优化进化算法的基础上，采用某些改进的辅助策略应对问题的变化，但是这些改进策略大多以增加算法搜索的随机性、降低收敛速度为代价应对问题的变化，并没有针对不同问题的特性进行相应的算法改进，难以取得满意的优化性能。针对动态多目标优化问题的特点，本文提出了一种新的基于预测模型的动态多目标优化算法（N-PDMOEA)，利用启发式知识设计新的预测模型，以解决Pareto最优解集动态平移问题（DMOP-TPS），并应用该方法解决云计算任务调度中的优化问题。本文围绕基于预测模型的动态多目标优化算法以及其在云计算任务调度中的应用展开，主要内容包括：首先，综述了动态多目标优化问题及目前已有的求解方法，建立基于预测模型的动态多目标优化算法的基本概念，并阐述了需要针对不同问题设计不同的预测模型的原因，指出预测的合理性问题；其次，在研究一般动态多目标问题和预测模型的基础上，定义一种具有普遍意义的Pareto最优解集动态平移问题模型，针对此问题提出了一种基于新预测模型（ADLM）的动态多目标进化算法。此算法的在多目标领域的经典算法(NSGA2)基础上，根据Pareto最优解集动态平移问题的特点，设计了一种针对该问题的新预测模型。四种模型的对比实验及分析表明本预测模型在解的收敛性方面有较好的表现，同时四种模型的时间复杂度分析也表明了本预测模型在时间性能方面的优势。最后，本文提出了一种云计算环境下基于新预测模型的动态多目标任务调度算法（N-PDMOTSA）。针对现实云计算环境中的任务调度，定义了一种Pareto最优解集动态平移任务调度问题（DCCTS），针对该问题的特点，设计了基于新预测模型的动态多目标任务调度算法。仿真实验结果表明，该算法可以较好的解决云计算环境下的Pareto最优解集动态平移任务调度问题。