进化计算(Evolutionary Algorithms,EAs)是一种随机搜索范畴的优化算法,可以用来解决多个目标且相互冲突的多目标问题。在现实世界中有许多这样的实际问题,如工业调度,控制设计等。然而,这些问题可能随时间发生变化。这对EAs是一个挑战性的问题。因此,EAs是一个重要的研究课题。有多个目标互相冲突并且它们随着时间发生变化,这类问题叫动态多目标优化问题(dynamic multi-objective optimization problems,DMOPs)。然而,使用EAs不能有效的解决DMOPs。因为,解决两个或两个以上目标冲突的问题时,在动态环境中保持种群的多样性和收敛性之间的平衡是一个非常大的挑战。另外,当环境发生变化时,EAs不能够有效地追踪Pareto最优解集(POS)或者Pareto最优面(POF)。为了使EAs适应这种动态环境,需要在环境发生变化后引入多样性或使用预测机制。这些方法虽然在一定程度能提高算法的性能,但是,仍然需要提出有效的方法来解决DMOPs。为了解决这种问题,本文提出了一种基于Pareto支配的动态多目标优化算法,该算法利用分解和修剪方法来解决DMOPs。提出的算法主要包括三个贡献:一个新颖的繁殖选择策略,一个有效的环境选择技术和一个有效的动态响应机制。繁殖选择策略使用基于分解的方法去选择两个有前途的父类,这些父类都具有良好的多样性和收敛性。环境选择提出了一种改进的修剪方法,以保持整个种群的多样性。当检测到环境变化时,提出的动态响应机制可以产生具有良好多样性和收敛性的解。在实验研究中,我们进行了一系列具有不同特征的动态多目标测试问题来评估提出算法的性能。与动态NSGA-II,PPS,SGEA等六种最先进的算法相比,实验结果表明,该算法在收敛性、多样性以及对变化的响应速度方面具有很强的竞争力。