在工业应用和科学研究中经常会涉及到优化问题,这些优化问题大多需要同时优化相互制约的多个目标,被称为多目标优化问题。此外,存在很多目标函数、相关参数或约束条件随着时间或环境的变化而变化的多目标优化问题,通常被称为动态多目标优化问题。由于动态多目标优化问题特有的不确定性,使得具有普适性的求解方法不多,更难以推广到实际应用。进化算法作为一类启发式的搜索算法,因其具有良好的普适性、隐并行性、鲁棒性等,非常适合求解并且已成功应用到多目标优化中。然而,进化算法在求解动态多目标优化问题时仍然面临许多挑战,存在较大的研究空间。本文在对动态进化多目标优化算法进行总结的基础上,针对动态多目标优化中变化检测、变化适应以及测试问题方面,完成了以下相关工作:1.提出了一种基于逆模型的进化动态多目标优化算法。该算法采用改进的逆模型作为多样性引入方法,通过向种群中引入若干由逆模型产生的子代个体来适应新时刻的环境变化。由于引入过多的个体会破坏原种群的有用信息,引入过少的个体则可能导致“早熟”现象,为了确定不同环境状况下合适的多样性引入比例,该算法通过估计环境变化幅度和性能指标的反馈信息来综合确定该引入比例。将算法与四种对比算法进行比较,实验结果表明,所提出的算法具有较好的鲁棒搜索性能。2.提出一种基于动态多样性引入策略的进化动态多目标优化算法。该算法在环境检测和环境适应方面均进行了改进。其中,新型的环境检测机制不仅判断环境是否发生变化,还考虑环境变化类型(强变还是弱变)以及环境变化强度的量来有效地指导后期多样性引入的量。其中,采用逆模型和部分随机初始化两种方法动态适应不同的环境变化。实验结果表明,提出的算法与其他几种具有代表性的动态多目标优化算法相比,解的收敛性和多样性具有明显优势。3.针对目前现有算法只测试单一类型基准动态多目标优化问题的现状,提出对变化程度和变化频率两个给定参数进行不同的组合选值,分别构造程度变化、频率变化和混合变化的动态多目标优化问题。采用基于动态多样性引入机制的动态多目标优化算法对该类问题进行求解,一方面验证所提出算法在复杂环境变化下的动态追踪性能,另一方面为将动态多目标优化拓展到更为复杂的实际问题做出尝试。