动态多目标优化问题是指多个优化目标互相冲突的优化问题,这些目标随着时间的推移而变化。因其需要在优化过程中快速准确地跟踪变化的帕累托最优集,所以这一类问题非常具有挑战性。进化迁移优化被证明是解决动态多目标优化问题的有效手段之一。然而,迁移优化技术存在着消耗计算资源大、负迁移等问题。为了解决以上问题,本文提出一系列基于知识迁移的动态优化算法。首先,为了提升迁移速度,减少种群多样性低引起的负迁移,本论文设计了一种基于个体迁移的算法,该方法利用了显式的多样性维持策略保持了种群的多样性,并利用个体迁移策略提升迁移速度。进一步地,一种基于拐点的非平衡迁移算法被提出,该方法仅迁移种群中的高质量个体来进一步节省计算资源,提高优化效率。最后,本论文考虑昂贵优化场景下的动态优化问题,该算法缓解了动态昂贵问题下样本的非平衡性和缺乏性,并从辅助任务中迁移优化经验,加速算法的收敛。这些算法将迁移学习与进化算法有机结合,大大提高了进化算法在求解动态问题时的性能。大量的实验和分析验证了所提出三种算法的有效性。