在实际生活中存在很多多目标优化问题（MOPs）,人们对它们的有着多方面的期望,例如经典的路径规划问题:问题的提出者希望可以得到一种路径方案,使得在确保可以到达目的地的同时,尽可能的达成路途最短,耗费时间最短,油耗最少等等目标。同时多目标问题中也有许多问题的环境与期望可能随着时间的推移产生变化,例如在路径规划问题中,不同时刻路况信息会产生变化,而在不同情况下决策者对各个目标的重视程度也会变化。本文称这类问题为基于偏好信息的动态多目标优化问题,简称为动态偏好问题。并且进一步提出解决这类问题的关键,在于如何根据问题特性合理优化动态算法和偏好算法,与提出有效结合他们之间的策略方法。为解决这类问题,本文主要提出了两种策略,分别是DAR策略与PPM策略。DAR策略通过加入参数的自适应调整,动态地改变偏好信息对种群进化的引导强度。在保证收敛速度的同时,该策略有效地降低了进化过程中边界解的丢失率,保证了最终得到的偏好区域的完整性,改善了偏好算法在动态环境下的表现。而PPM策略通过提出一种对偏好区域的预测算法,一定程度上减少了偏好区域相对于偏好点的变化的滞后性。从而在偏好信息发生快速变化时,算法能够快速准确的得到更接近于理想偏好区域的解集。本文在实验部分设计了的3种变化偏好测试问题,并与17种经典动态环境测试问题相结合成为51种动态偏好测试问题。在这51种测试问题中分别对DAR与PPM两种策略进行了对比试验。指标对比与实验效果图表明,本文提出的两种策略在46种测试问题上均有较为明显的优化效果。实验证明本文提出的算法在绝大部分情况下都是高效的。