动态多目标优化问题广泛存在于科学和工程领域中,包括航空交通系统、控制及优化调度、工业设计和机器人导航等。因此,研究动态多目标优化问题具有重要的经济和社会意义。相比较于多目标优化问题,动态多目标优化问题更具有挑战性,优化目标不仅具有多个维度且相互冲突,而且受到时间等因素的干扰。通俗地说,动态多目标优化问题指的是待优化目标函数是动态变化的。用传统的优化方法求解这类问题十分困难甚至不可能。进化算法是一种模拟生物进化、基于群体搜索的全局优化算法,已得到广泛应用。多年来,进化多目标优化的研究已经取得较好发展。进化算法在求解静态多目标优化问题和动态单目标优化问题已经取得较好的效果。因此,进一步研究利用进化算法求解动态多目标优化问题具有重要的现实和理论意义。解决动态多目标优化问题,主流的方法是利用预测策略快速响应环境的变化。然而,当待优化问题比较复杂,或者不具有可预测性时,预测策略并不能很好地解决该类问题。本文提出了一种基于预测和自主引导混合策略的算法,该算法通过产生一个新的种群来快速响应环境的变化。根据历史种群的位置,一部分个体通过预测策略产生,该策略以损失预测精度的代价来达到快速响应的目的。另一部分个体通过自主引导的策略产生,一个由当前种群进化若干代而产生的子种群,引导当前种群朝着更优的区域进化。该混合策略既发挥了预测策略处理动态多目标优化问题的优势,同时也通过子种群自主引导策略弥补了预测策略的不足。本文对提出的算法和另外四个算法进行了实验比较分析,实验证明,在大多数测试问题上,本文提出的算法更具有竞争性。