在工程设计、实时控制、人工智能等工程领域广泛存在着一类优化目标和约束条件会随时间变化而变化的问题，这类问题被称为动态优化问题，也称为动态环境下的优化问题。若问题的优化目标不止一个，则称为动态多目标优化问题。对动态多目标优化问题的求解要求算法在运行中能不断地根据问题随时间变化的情况进行调整，快速搜寻到变化后的Pareto最优解集。这也就要求动态多目标优化算法有着较高的求解效率，尤其是面对越来越复杂的工程问题，现有的很多算法也将变得无能为力。　　 针对这一问题，本文在微型多目标遗传算法的基础上进行改进，提出了一种高效的动态微型多目标遗传算法。该算法通过采用小规模进化种群来提高求解效率，并通过在进化过程中引入一种环境检测机制，来跟踪环境的变化，保证算法在环境变化后快速搜索到新环境下的Pareto最优解集。种群进化过程中，在每一代遗传操作完成后，启动检测机制，计算当前代所有个体的目标函数及约束函数的值，并与前一代相对应的函数值的计算结果进行比较。如果出现任何不同，则认为问题随时间发生了变化。此时，为了保证算法对问题变化迅速跟踪和响应，通过对问题变化强度的计算，选择合适的方式重新生成一个种群，同时与保存的前一代的信息解以及外部种群合并后，更新非支配解集，进入新的进化过程。　　 接着，本文通过对四种不同类型的动态多目标优化测试问题的求解，对动态微型多目标遗传算法的性能进行测试，并与现有性能较好的动态多目标优化算法DNSGA-Ⅱ进行对比，验证了动态微型多目标遗传算法具有较高的求解效率和求解精度。　　 最后，将动态微型多目标遗传算法应用于一个车用柴油机动态调速系统PID控制参数的多目标优化问题中，将阶跃响应下的最大超调量和上升时间两个主要的性能指标作为优化目标，对PID控制器的参数进行优化。结果表明，当环境变化时，算法能够快速求出新环境下的Pareto最优解集，并且通过与两种已有PID控制方案的对比，证明了高效动态微型多目标遗传算法在求解效率上的明显优势。