动态多目标优化问题在当今的生产实践和科学研究中有广泛的应用,且由于动态多目标优化问题的目标函数、目标函数数量、约束条件和决策变量等会随着环境变化而发生改变,因此,求解动态多目标优化问题变得尤为重要和困难。在对该类问题进行求解时,要求算法在满足收敛性和分布性的同时还能够快速且准确的响应环境的变化。当处理复杂的实际问题时,对算法的性能要求也会随之提高。因此本文针对动态多目标优化问题进行了分类和研究,解决了动态多目标优化算法中的三类典型问题,主要内容的概述如下:针对传统的目标函数时变问题,为了快速且准确的跟踪动态多目标优化问题中变化的Pareto前沿与Pareto解集,本文在不依靠历史信息的前提下,提出了一种基于参考线预测策略求解动态多目标优化问题的算法。该算法通过记录每个参考线关联的种群个体在环境变化初始阶段和个体自主进化一小段时间后个体位置的变化,预测最优个体所在方向,同时在该方向上均匀分布若干延伸个体,选出每个参考线关联的非支配个体作为当前环境下的引导个体,在选出的引导个体邻域内随机产生若干伴随个体增加种群多样性。与现有算法对比,实验结果表明新的算法具有更快的响应环境变化的能力。针对目标函数数量时变问题,本文提出一种基于参考点的高维动态多目标优化算法。当目标函数数量发生变化时,生成的升维参考点集可为种群进化提供一定的引导方向;在目标函数数量不发生变化时,自适应生成一系列收敛性能好且分布均匀的参考点引导种群进化,提高算法的收敛速度和收敛性。通过与现有算法的对比测试,证明了该算法的优越性。针对环境变化不可检测问题,本文提出一种基于参考点的环境不可检测动态多目标优化算法。该算法以NSGA-II为框架,加入了参考点生成、参考点关联和种群档案更新等机制对种群进行指导进化,同时又结合了引导进化策略,首先计算当前代数的种群和进化几代后的种群中心点,以此判断种群的大致进化方向,生成引导个体,预测未来几代的进化而加快算法的收敛速度,最终求得最优解集。通过实验证明,本文提出的算法在收敛性和分布性方面均有明显优势。