动态多目标优化问题普遍存在于工业生产和日常生活中,该类问题具有多个相互冲突且随时间变化的目标函数,这些目标函数通常具有多模态特性,还可能包含不确定参数,此外,这类问题决策变量的维数也可能随时间变化,从而大大增加了问题求解的难度。如果直接应用传统的多目标优化方法求解动态多目标优化问题,那么,由于缺乏有针对性的问题变化检测及响应机制,问题的求解效果难以满足需求。鉴于此,本文针对不同类型的动态多目标优化问题,研究高效的问题变化检测及响应策略,提出4类动态多目标进化优化方法,并应用于实际问题的求解。首先,针对传统的动态多目标优化问题,提出基于时间依赖分析的动态多目标合作型协同进化优化方法。该方法基于决策变量与时间的依赖性分析,将决策变量分为两组,即时间依赖决策变量和时间无关决策变量;针对不同组的决策变量,采用不同的子种群协同优化;当问题变化时,分别采用差分预测和柯西变异,预测这两组变量在下一时刻的初始进化种群,以生成新问题的高质量初始解。将所提方法应用于7个基准优化问题中,并与3种经典算法比较。实验结果表明,所提方法解决可分问题时具有更好的性能。然后,针对区间参数随时间变化的动态多目标优化问题,提出基于区间相似度的动态区间多目标协同进化优化方法。该方法基于区间相似度,判定决策变量与区间参数的相关性,基于此,将决策变量分为参数依赖决策变量和参数无关决策变量,针对不同组的决策变量,采用不同的子种群协同进化;给出基于区间相似度的问题变化检测策略;当问题变化时,分别采用基于问题变化程度自适应调整步长的方法和扰动法,生成这两组变量在下一时刻的初始种群。将所提方法应用于8个基准优化问题测试中,并与5种经典方法比较。实验结果表明,所提方法在提高收敛和多样性的同时,有效降低了解的不确定度。接着,针对动态多模态多目标优化问题,提出基于决策变量贡献分析的动态多目标进化优化方法。该方法依据对目标函数的贡献,将决策变量分为收敛和分布型决策变量,并基于进化过程获取的信息,分别更新收敛和分布保存集;当问题变化时,对于收敛型决策变量,采用多方向预测,生成下一时刻的初始种群,以提高种群在目标空间的收敛性能;对于分布型决策变量,采用小生境技术,维持种群在决策空间和目标空间的多样性。将所提方法应用于6个基准优化问题测试中,并与4种经典方法比较。实验结果表明,所提方法在追踪问题多重最优解方面具有更优的性能。此后,针对决策变量变化的动态多目标优化问题,提出基于决策变量自适应分组的多目标协同进化优化方法。该方法根据最大互信息系数,将决策变量分为若干组,使得不同组间决策变量的相关性弱,而同一组内决策变量的相关性强,针对不同组的决策变量,采用不同的子种群协同进化;当问题的决策变量变化时,根据变化的决策变量与已有分组的相关性,调整决策变量分组。将所提方法应用于8个基准优化问题测试中,并与5种经典方法比较。实验结果表明,所提方法解决很多基准优化问题的性能优于对比算法。最后,将提出的动态多目标进化优化方法应用于求解多期证券投资组合问题,给出该问题的最优投资组合策略。为此,建立以预期收益率和风险损失率为目标函数的区间参数动态多期证券投资组合优化模型,并采用基于区间相似度的动态区间多目标协同进化优化方法,求解建立的优化模型,得到多个最优投资组合策略。与传统求解方法所得投资组合策略的对比结果表明,采用本文的方法,能够在相同风险下为投资者提供更高收益的投资组合,或者在相同收益率下,投资组合风险更低。上述成果丰富了动态多目标进化优化理论,提高了动态多目标进化优化方法的性能,并为实际动态多目标优化问题的高效求解提供了可资借鉴的途径,具有重要的理论意义和实用价值。本文总共有图21幅,表26张,参考文献132篇。