在现实世界中,有一类具有多个目标,并且这些目标会随着时间发生变化的问题,这类问题被叫做动态多目标优化问题(dynamic multi-objective optimization problems,DMOPs)。例如交通排序问题和无线网络设计。这类问题中的很多问题,通常具有高度复杂性、高度非线性等特点,用常规的数学方法很难解决。但是,此时用进化算法反而能取得很好的效果。所以,把这些用于解决动态多目标优化问题的进化算法叫做动态多目标进化算法。进化算法是一类模拟自然界生物进化,适者生存,优胜劣汰而产生的一种算法。动态多目标进化算法的研究仍然处于研究的初步阶段。其中,针对动态过程而产生的响应策略是研究的一个重要方面。其中,预测是一个目前研究比较热门的方向,基于预测的方法就是通过观察一些环境下的最优解,通过一些学习方法,例如自回归学习方法,找到某种规律,预测出下一次环境变化的最优解,来达到使得种群快速收敛的目的。增加预测的准确性是当今研究的一个重要方面。本文在国内外研究动态多目标优化的基础上,提出了一种基于中心点和拐点的预测策略(Prediction strategy based on Center Points and Knee Points,CKPS),另外提出了一种能够根据问题难度自适应引入随机个体的多样性保持机制,能够很好的解决动态多目标优化问题,尤其是对于比较复杂的问题具有很好的效果。此外,本文在CKPS的基础上引入了一些其他特性的特殊点,比如理想点和边界点,提出了一种基于特殊点的预测策略(Prediction Strategy based on Special Points,SPPS)。这些特殊点实际上都是关键点,也是一些偏好信息的体现。另外,对于自适应的多样性保持策略也进行了改进,随机个体的数目仍然按照原来的策略来产生。但是在此,我们对随机个体的边界进行了预测,随机个体都是在这个边界范围内用类似于差分的方式来产生。这样就使得多样性保持策略更加的智能化。与其他四种算法在一些经典测试问题上进行了比对,实验表明SPPS在解决DMOPs上具有较好的效果。