实际生活中很多问题都可以建模为动态多目标优化问题,这些动态多目标优化问题往往涉及到多个目标相互制约,且目标函数、约束条件和参数通常会随着时间或者环境的变化而发生改变。因此,对求解这类问题的算法提出了新要求,即不仅能实现对多个目标的同时优化,而且还要能快速追踪到变化后的最优解。进化算法作为一种典型的启发式搜索技术,已在解决静态的多目标优化问题中表现优越。为了使进化算法适用于动态环境中,往往需要动态预测机制来增加算法在新环境下的搜索能力和收敛速率。本文针对基于迁移学习的动态多目标优化算法存在的计算复杂度较高、无法快速收敛等问题,提出了几种新的变化适应机制,主要完成了以下的工作内容:1.提出了一种基于特殊点迁移成分分析的动态多目标优化算法,该算法主要的创新在于提出了基于特殊点的改进的迁移学习预测模型。当环境发生变化之后,在种群的特殊点及其邻域选择出特殊点子种群,通过建立的迁移成分分析的预测模型,对特殊点种群预测产生部分新环境的初始种群,同时自适应的多样性引入策略保证了种群进化的多样性。多组测试函数验证了提出的算法性能,并与其他四种动态多目标优化算法进行对比,实验结果显示,相比于改进之前的算法,本文的算法降低时间复杂度的同时获得的解的质量也有提高。2.提出了一种基于特殊点的历史方向和迁移成分分析的动态多目标优化算法。该算法在变化响应机制上对预测策略上进行了改进,提出了两种基于特殊点的预测策略:一种是基于特殊点的迁移成分分析方法预测新环境下的初始种群;另外一种是通过历史时刻的特殊点的移动方向来预测新环境下的初始种群。两种方法预测产生的初始种群通过非支配选择法选出新环境下生成的初始种群。同时通过自适应的多样性引入策略保持种群的多样性。该算法与其他几种算法的实验结果对比表明,提出的两种策略能有效的提高种群的收敛性。3.提出了一种基于特殊点的联合分布适配的动态多目标优化算法。该算法在变化响应机制中采用了一种新的迁移学习方法,即联合分布适配方法。通过对种群定义不同的类别标签可以更加准确的构建联合分布适配预测模型,本文提出了一种新的基于非支配等级的种群标签分类方法,特殊点及其邻域采样后的子种群通过采用非支配等级分类的联合分布适配预测模型,产生变化后的初始种群,响应环境变化。实验结果一方面验证了联合分布适配方法在动态多目标优化问题上的显著的效果,另一方面将联合分布适配与特殊点结合降低了算法的时间复杂度,为迁移学习方法引入到求解动态多目标优化问题带来新的思路。