在智能算法领域,进化算法在求解最优化问题上已经取得丰硕的研究成果,群智能算法,如粒子群算法、蚁群算法等也同样取得了突出的成就。由自然界免疫系统为基础发展起来的人工免疫算法,在求解优化问题的最优解上突显出其优越性。本文将采用新颖的基于预测选择的变邻域免疫优化算法来求解动态多目标优化问题。动态多目标优化问题,普遍存在于科学研究与工程实践中,属于基础性的优化问题,具有广泛的应用前景和研究意义。它的求解需要考虑到多个目标函数的解之间的彼此冲突问题,也需要考虑到目标函数和约束函数是有可能随着时间的变化而发生变化的情况,即最优帕累托解有可能会随着时间的变化而发生改变。目前,大多数动态多目标优化问题的算法,是在一些较为成功的静态的多目标优化算法的基础上,采用一个辅助策略,例如随机初始化种群重启算法,来应对环境的变化,此方法虽然可以求得最优解集,但是与此同时,却增加了算法的随机性,降低了算法的收敛速度。也有一些算法采用一个预测算法在环境发生变化的时候对新环境的最优解进行预测,但是预测算法单一,会存在一定的局限性。本文主要围绕着基于预测选择的动态多目标变邻域免疫优化算法所展开,主要的内容如下:首先,研究了动态多目标优化问题,以及该问题的数学模型、相关概念和定义和目前国内外的研究现状,并且根据调研,得出设计求解动态多目标优化问题算法的基本框架和流程。其次,提出了新颖的基于预测选择的变邻域免疫优化算法,由此来求解动态多目标优化问题。算法中主要包含了三种预测模型,并且引入了超启发式算法的思想来对三个预测模型进行选择,每一次环境发生变化时,较大概率的选择目前预测效果最优,较能代表环境变化趋势的预测算法,对种群进行初始化。在两个环境变化之间的静态环境,使用结合了免疫网络排序和变邻域策略的免疫优化算法作为主体算法求解。最后,介绍了动态多目标优化问题的两个基准测试函数集和算法性能评价指标,并使用所提出的算法在测试函数集上运行,得到实验结果,使之与不同的算法所得到的实验结果进行对比分析,验证本文提出的算法所求得的帕累托解的正确性、分布性和均匀性。综上所述,本文主要包含三个创新点:1、将灰色预测方法引入到了动态多目标问题;2、提出了结合超启发式算法的思想的预测选择算法;3、提出了变邻域免疫优化算法,并使其结合预测选择算法来求解动态多目标优化问题的算法。最终经过实验验证,本文提出的基于预测选择的动态多目标变邻域免疫优化算法取得了较好的研究成果。