实际生活和工业生产中的许多问题都可以被归纳为动态多目标优化问题。受各种环境的影响,这些问题的目标函数往往相互冲突,且通常情况下都包含时间相关的变量。求解这类问题要求算法不仅能对多个目标同时优化,而且还能够快速追踪环境变化后的最优解。目前设计的动态多目标进化算法是在静态多目标进化算法的技术基础上增加响应机制,以此来加速寻优过程。预测作为变化响应机制的主流方法,从学习环境变化的规律开始,旨在生成靠近新问题真实最优区域的初始种群,以提高追踪最优解的效率。本文针对目前基于预测的动态多目标进化算法中存在的计算复杂度高,预测准确度较低等问题,提出了两种有效的预测机制,主要工作如下:1.针对变化程度剧烈的动态多目标优化问题,提出基于合作预测的动态多目标进化算法。该算法包含三部分子种群:基于历史知识的预测种群、基于迁移知识的预测种群以及基于拐点的多样性种群。该算法有效维持了环境变化后初始种群的收敛性以及多样性。将所提算法应用在14个测试函数上,并与四种经典的预测机制相比。实验结果表明,所提算法的性能优于比较的算法。2.针对变化频率快速的动态多目标优化问题,提出基于变量分类的逆模型预测机制,其将决策变量分为3类:多最优变量、变化轻微和变化剧烈的单最优变量。对应构造3个不同的训练数据集,分别训练逆模型。结合迁移学习在目标空间中的采样机制,指导算法在决策空间中的搜索。将所提算法应用于9个动态优化问题,并与四种动态多目标进化算法进行比较。实验结果表明,所提算法能够在快速变化的环境中跟踪Pareto最优解集。上述提出的算法丰富了动态多目标进化优化理论,并为复杂动态多目标优化问题的求解提供了行之有效的方法,具有一定的理论意义和实用价值。