进化算法(Evolutionary Algorithm,EA)是依据达尔文进化理论学说为基础发展而来的一种启发式的全局寻优算法,它以种群为信息载体,通过自然选择和遗传等操作模拟自然界中生物的进化,进而以一种迭代式的方法来搜索整个解空间。在实际工程应用中,存在着这样一类问题,它们的多个目标函数之间不仅互相冲突,而且目标函数及其参数都可能随着时间的变化而变化,这类问题被研究者们称为动态多目标优化问题(Dynamic Multi-objective Optimization Problems,DMOPs)。为了解决该类问题,该领域的学者们提出了一系列的动态多目标进化算法(DMOEAs)的相关技术与理论方法。现有的DMOEAs主要包括:随机初始化种群、多样性保持机制、超变异等方法,以及多种群策略、预测以及记忆等机制。然而,这些算法也拥有相应的缺点,主要体现在以下几个方面的不足。首先,为了增加种群的多样性而引入的超级突变、随机初始化以及动态移民在增强多样性方面存在随机的盲目性,并不能给种群的进化过程中带来适当的指导性。接着,通过某种预测模型对种群的信息进行学习进而预测下一次环境变化之后的整个种群的预测方法,虽然能够实现很好的效果,但是预测的精度是实现该方法的一个重要难点,需要针对现有的问题设计出适当的预测模型,并且现有的预测模型的时间复杂度较高,提高预测模型的预测效率也是重中之重。本文提出了一个基于简单预测模型的混合多样性保持策略来求解动态多目标优化问题。这个方法包括三个步骤:第一步基于中心点的运动方向使用预测策略把一些个体重新分配到接近下一次环境变化之后的新的Pareto面上。在文章中自定义的POS的最低点和最高点的基础上,第二步采用逐步搜索策略在决策空间产生一些分布性好的个体来提高第一步中的预测策略的准确性。在第三步中,一些多样性好的个体在下一次可能的POS区域内随机产生来增强种群的多样性。最终,把这三步产生的个体结合在一起并通过分支配排序选择一些好的个体作为下一次优化的初始种群,这样预测策略变得更加准确因为该策略选择了一些好的收敛性和多样性的个体。在实验比较中,本文中提出的算法与其他三个最新的动态多目标进化算法在一系列的动态多目标基准测试问题上进行了实验分析,试验结果证明本文的算法在收敛性、分布性和多样性以及响应环境变化的速度具有更好的优势。