动态多目标优化问题(DMOPs)有着冲突的优化目标,而且DMOPs的问题环境会随着时间动态变化,从而导致问题的Pareto最优前沿(PF)和/或Pareto最优集合(PS)发生变化。算法的研究很多时候都取决于所研究的问题,对于DMOPs而言,它要求算法能在环境变化后迅速搜索到变化后的PS或最PF,同时保持种群的收敛性和分布性的平衡。为了解决DMOPs,本文提出了一种基于决策变量分类的动态多目标算法,该算法利用决策变量分类的信息去指导进化,并提出了一个新的多种群协同进化方法。该算法首先对问题进行随机采样分析,将决策空间分为收敛性控制维度和分布性控制维度。然后使用多个子种群进行优化,并将子种群分为两大类:收敛子种群和分布子种群,收敛子种群的数量对应于收敛性维度的数量,每个收敛子种群优化一个收敛性维度;使用一个分布子种群去对应所有分布性维度,但该子种群优化的是所有的决策维度。收敛子种群之间使用传统的协同进化的方式进行,而且子种群内部个体的分布性维度的值是相同的。从而避免了分布性对收敛性的影响,使得收敛子种群能集中资源去优化个体的收敛性,加快算法的收敛速度。为了规避多种群协同进化在种群分布性上表现堪忧的问题,本算法会根据收敛子种群的优化程度,有选择地将某些收敛子种群合并到分布子种群中去。随着算法的进行,所有收敛子种群会逐渐合并到分布子种群中,这样就能在种群收敛性有保证的前提下,提升种群的分布性。此外,本文还提出了一个改进的中心点预测策略去响应环境的变化,该策略引入了决策空间分类信息去指导预测过程。该算法在多种不同动态特性的16个基准DMOPs上进行了实验。与5个具有代表性的算法进行了比较,实验表明本文所提出的算法能快速响应环境的变化并很好地保持种群的收敛性和分布性。