动态多目标优化问题广泛存在于科学研究和工程应用中。由于动态多目标优化问题中的目标函数和约束函数随环境变化而发生改变,因此,在对动态多目标优化问题进行求解时,算法必须能够快速、准确地追踪到变化后的最优解,尤其是在处理复杂的实际工程问题时,对算法的性能要求更高。本文针对动态多目标优化问题进行了研究,通过多机制结合对传统动态多目标优化算法进行改进,并将改进后的算法应用于旅行商问题和PID控制器参数优化问题,主要内容概述如下:针对动态多目标优化问题中,环境变量的变化幅度频繁改变的问题,本文对NSGA2算法进行改进,提出一种基于幅度多变的动态多目标优化算法。算法使用转角改变量表示变化幅度频繁改变对最优解造成的影响大小,同时根据转角改变量对个体进行划分,并对划分后的个体采用不同的预测策略进行优化,从而得到变化后的最优解。实验对比证明,改进的算法在收敛性和分布性方面具有明显优势。构建预测模型是解决动态多目标优化问题的一个研究方向,大多数现有方法在构建模型时忽略了数据的非独立性和同分布性。针对这一问题,本文提出一种基于迁移学习的动态多目标优化算法,将迁移学习算法与动态多目标优化算法结合进行优化,并将优化后的最优解进行保存,在变化幅度相似时,通过调用最优解的历史信息进一步提高算法的执行效率。实验结果表明,相比传统动态优化算法,改进后的算法优化得到的解具有更好的收敛性和分布性。本文将改进后的算法应用于旅行商问题和PID控制器参数优化问题。对于旅行商问题,在以最短行程时间和最少费用为目标的前提下,对算法的编码机制进行调整,当道路状况改变时,算法对路径进行优化,实验结果证明了算法的有效性。对于PID控制器参数优化问题,本文分析了系统在运行过程中,被控对象发生改变的情形,在这种情形下,算法对变化后系统的PID参数进行优化,并选择出满足用户偏好需求的个体,良好的实验结果证明了改进后算法的可行性。