现实生活中的许多优化问题,往往受到生产工况、运行环境等动态因素的影响,形成动态优化问题。解决该类问题的常用方法是跟踪最优解方法。它在探测到优化问题发生改变时,重新触发寻优过程,从而快速、准确地找到适应于新优化模型的最优解。跟踪最优解方法虽然可以相对有效的解决动态优化问题,但是,当动态优化问题具有复杂的目标函数或较大的搜索空间时,耗时的进化求解过程,往往使在有限时间内获得问题的最优解存在困难。另外,某些实际动态优化问题中,当动态因素发生变化时,就去执行寻优获得的新最优解,往往需要调整众多相关人员或资源,导致较大的最优解切换成本。基于此,本论文给出了一种解决动态优化问题的动态鲁棒优化方法。其核心思想是面向连续变化环境下的动态优化问题,找到用户可以接受的一组基于时间的鲁棒最优解序列。当环境发生变化时,根据用户可接受程度,直接采用相邻前一环境下的鲁棒解作为当前环境下的较优解,而不是重新寻找新环境下的最优解。这可以有效降低新环境下优化问题的寻优代价,满足生产实际中有限资源调配的需求。面向动态单目标优化问题,已有动态鲁棒优化方法中给出生存时间和平均适应度两种鲁棒性指标。在此基础上,构建了兼顾上述两种鲁棒性能指标的两阶段多目标进化优化模型,采用基于非支配排序的遗传算法,获得问题的鲁棒最优解序列。第一阶段多目标进化优化方法用于获得每个动态环境下,兼顾上述两方面性能的所有Pareto解;第二阶段中的进化个体由第一阶段获得的Pareto解依环境变化时刻动态组合而成,考虑解序列的平均生存时间和平均适应度,采用多目标进化优化方法获得实际可实施的动态鲁棒最优解集,并将其应用于解决改进的移动峰问题。面向动态多目标优化问题,首次给出了时间尺度上的多目标鲁棒性概念,定义了基于时间的鲁棒Pareto最优解,给出了时间鲁棒性和性能鲁棒性两个性能度量指标。鲁棒Pareto最优解应兼顾这两方面性能,由此构建了动态鲁棒多目标优化模型。进而,采用基于分解的多目标进化算法,求解其鲁棒Pareto最优解集。进一步,在求解动态鲁棒多目标优化问题时,兼顾个体的性能鲁棒性和时间鲁棒性,构建了动态鲁棒多目标约束优化模型。考虑到个体的鲁棒性评价中,需要同时考量Pareto解在当前和未来相邻动态环境下的适应值。为有效估计未来相邻环境下某一个体的适应值,建立了基于已评价历史信息的适应值时间序列,并采用移动平均预测、自回归预测和最近邻域预测,通过加权方式构成集成预测模型。决策者从Pareto解集中找到最符合他们需求的解是多目标优化的最终目的。为提高进化效率,在每个动态环境下,没有必要获得全部Pareto最优解,仅需要把寻优过程集中在决策者感兴趣的区域。于是,将决策者的偏好信息融入到搜索过程中,引导种群趋向于决策者感兴趣的区域;另外,在鲁棒性能评价中,将决策者的偏好信息转化为目标稳定性阈值,用于指导鲁棒个体选择。在上述偏好信息的共同作用下,采用基于分解的动态鲁棒多目标进化优化方法,获得满足决策者偏好的鲁棒最优解集。采用传统的跟踪最优解法或动态鲁棒优化方法,在解决环境变化复杂的动态多目标优化问题时,都存在一定局限。为此,根据搜集的动态环境历史信息构建环境变化序列,用于预测未来环境变化程度。进而,根据环境变化信息,建立判定准则,用来决策优化过程是采用何种动态进化优化方法。最终,建立了融合两种动态进化优化方法的混合动态多目标优化框架。针对动态优化问题,本论文提出了基于时间的鲁棒Pareto最优解集的概念,并构建了相应的动态多目标鲁棒进化优化框架,给出了相应的解决方法。所得研究成果不仅丰富了动态进化优化理论,而且为实际动态优化问题的解决提供了新思路和更有效的解决方案,具有显著的理论研究意义和应用价值。