煤炭作为基础能源,在我国工业化发展过程中发挥着重要的作用。然而在之前的煤炭生产研究中存在两个问题:一是最多只构建了两到三个目标的煤炭生产模型,对四个及以上目标的煤炭生产模型没有研究;二是只集中于静态问题的解决,缺乏对煤炭生产过程中动态问题的研究。为此,本文提出了煤炭绿色生产动态高维多目标模型,并提出相应的算法进行优化求解。针对煤炭生产研究缺少动态高维多目标优化模型的问题,论文构建了煤炭绿色生产动态高维多目标模型。该模型考虑了经济、能源、环境、资源回收、安全五个目标,并引入煤炭生产过程中随时间变化的动态参数,为煤炭生产配置提供系统全面的指导。为了验证模型的可行性,论文以山西某煤矿的生产数据为例,使用了经典的DNSGA-II动态优化算法对所提出的模型进行了优化求解,实验结果表明该模型有效可行。为了求解煤炭绿色生产动态高维多目标模型,论文提出了基于簇中心预测的动态算法。在环境改变时,该算法使用参考点策略对种群分簇,并利用历史信息通过梯度预测方法对新环境中的簇中心进行预测。在新的簇中心生成后,利用个体高斯扰动和簇中心均匀分布两种方法对种群进行重新初始化,增强了算法跟踪Pareto前沿的能力。最后,把11个经典的静态高维多目标进化算法和基于簇中心预测的动态算法相结合,求解了煤炭绿色生产动态高维多目标模型,实验结果表明One-by-one进化算法与基于簇中心预测的动态算法相结合时具有最优的收敛性和多样性,且性能远远优于DNSGA-II。针对基于簇中心预测的动态算法需要构建参考点的方法具有局限性的问题,论文提出了一种新的算法,基于K-means聚类中心预测的动态算法。当环境变化时,用K-means聚类方法对种群进行聚类,并利用历史信息预测新环境的聚类中心。在重新初始化过程中,引入预测误差加强了预测的准确性。实验通过11个经典的静态高维多目标进化算法和基于K-means聚类中心预测的动态算法有效结合,求解了煤炭绿色生产动态高维多目标模型。实验结果表明One-by-one进化算法与基于K-means聚类中心预测的动态算法相结合时具有最优的性能。最后通过比较得出,基于K-means聚类中心预测的动态算法在收敛性和多样性方面都优于基于簇中心预测的动态算法。