在过去的几十年间,进化算法(EA,Evolutionary Algorithm)作为一种优化技术而广泛用于求解多目标优化问题(MOP,Multi-objective Optimization Problem)。这些问题中的多个目标往往是相互冲突的,因此需要平衡各个目标,并获得一组折衷解供决策者选择。多目标进化算法(MOEA,Multi-objective Evolutionary Algorithm)能够出色地解决这类问题,并且在有限时间内通过单次执行即可获得一个收敛性好,分布均匀、广泛的解集。随着多目标领域的发展,出现了一类特殊的MOP,它们的参数和目标都是随时间动态变化的。为了解决这一类问题,研究者们提出了一系列动态多目标优化算法(dMOEA,dynamic MOEA)的相关理论和技术方法。而近几年,这一领域的发展受到了极大限制,其原因是动态多目标测试问题的缺乏。研究者们迫切地需要一组既能全面地检测算法各方面性能,又可以充分反映实际应用问题特性的动态多目标测试问题。在分析了现有测试问题存在的缺陷之后,本文提出了动态多目标测试问题的设计原则。在此基础之上,设计并提出了一个随机性变化动态多目标测试问题集(Stochastic Benchmark Suit)。该测试问题集在引入随机性变化的同时,结合了欺骗、多模、偏转等多种问题特性,以及包含了凹凸混合型、非连通型等多种复杂几何形状。通过引入多样的问题特性,算法一些重要性能得到了一定的检测:算法的收敛能力、保持良好分布性的能力、全局搜索能力,以及处理欺骗和非连续性问题的能力等等。对这些问题特性进行实验分析之后,进一步证实了它们能够全面地反映算法各个方面性能的优点。为了能有效地处理随机性变化问题,本文提出了一种中心点匹配策略(CMS,Center Matching Strategy)。该算法充分利用了历史优秀个体所反映的全局性信息,在环境变化发生之后,通过这些信息来产生预测中心点,加速种群收敛过程。本文将CMS与其他3个算法进行了对比实验,实验结果表明CMS具备了一定的处理随机性变化问题的能力,同时表现出了较强的收敛能力和保持良好分布性的能力。