具有两个或者多个目标彼此冲突的问题被称为多目标优化问题(MOPs)。这类问题广泛应用于实际应用领域,如工业调度,电力系统,控制器设计等。多目标进化算法和多目标粒子群优化算法通常被应用于解决此类问题,它们通过在决策空间中进行启发式搜索,以找到一组非支配解满足决策者的需求。近年来,一种特殊的多目标优化问题成为了研究热点,并广泛应用于工程领域,除了存在目标相互冲突的特征以外,还具有目标函数、约束和参数随时间变化的特点,此类问题被称为动态多目标优化问题(DMOPs)。DMOPs的时变特征对于算法产生更大的挑战。为有效地解决DMOP,一般考虑以下两点:(1)当环境发生变化时,算法应提供一种有效的动态响应机制,以追踪最新的最优解并适应新的环境。(2)在两次环境变化之间,环境等同于静态优化问题,因此算法应确保在较少的代数里能够快速找到当前的帕累托解集(PS),这种快速收敛能力对于追踪性能也至关重要。基于以上两点,本文提出了一种基于对抗分解和邻域进化的动态多目标粒子群算法(ADNEPSO)。提出的算法主要有以下三个方面的贡献:首先,将对抗分解和粒子群优化相结合,提出了一种新的动态多目标优化框架,通过维持两个对立种群的交替更新和信息交互,达到维持种群多样性和适应更复杂的帕累托最优面(PF)的目的。其次,提出一种新的邻域进化粒子群更新策略,每一个向量都会被分配一个全局最优粒子,通过有效的选择策略选出邻域向量和当前向量作为父代指引粒子的进化趋势。最后,本文提出了一个基于粒子群和种群中心点的混合预测策略,通过种群中心点预测,全局最优信息开发,以及个体保留操作,利用历史信息有效地实现了对环境的快速响应和多样性以及收敛性个体的生成。通过比较IGD,HVD和SP指标结果表明,ADNEPSO在收敛性和分布性方面均具有出色的性能,并且在处理动态问题方面具有很强的竞争力。