多目标进化算法（Multi-objectiveEvolutionaryAlgorithm，简称MOEA）是伴随着各种各样的优化问题而产生的。近些年，MOEA在优化领域内做出了相当大的贡献，一直是该领域的研究焦点和热点。现实生活中我们经常遇到优化问题，而且通常是对多个目标同时要求优化。例如，一个网店的快速发展中，不仅要考虑生产成本、产品质量、卖家服务态度，而且要注重顾客的满意度以及网店的利润问题等多个方面。服务态度和顾客的满意度是相互促进的关系，而生产成本和产品质量却是相互冲突的两个目标。然而，大多数情况下，往往要对相互冲突的多个子目标进行折衷来得到总体的最优化。对于传统的多目标进化算法而言，是想最终获得每一个子目标都尽量达到最优的总体最优解集，表现在几何图像上的特点是指分布广泛、均匀，这也是目前大部分学者研究的内容。然而在现实生活中我们每一个个体的要求和追求的目标往往是因人而异的，这也就是所谓的个体偏好。在MOEA中，考虑到个人的偏好差异，最后得到最优的决策者满意解集的算法称为偏好多目标进化算法。然而这也就是本文研究的重要内容，偏好多目标进化算法的研究是近几年来进化计算领域的较新的研究方向之一，有着很明确的研究意义。本文提出了一种基于偏好信息的动态引导式多目标寻优策略，该策略通过设置参数来反映搜索过程中引导区域的动态性，参数控制决策者的偏好范围。将解与引导区域的距离作为响应选择策略的一个因素，从而有效地获得决策者期望区域内的折衷解。将动态引导寻优策略应用到经典的算法中，验证它的性能。并通过和一些经典的偏好算法的对比实验，证明该算法具有较好的收敛性和有效性。总的来说，相对比其他算法而言，本文的工作具有一定的创新性，表现如下：1）提出了新的D-dominance偏好关系，采用划分目标空间的思想，使用参考点表达偏好信息，并采用参考点的映射点再度划分目标空间进行支配关系的重新定义。2）提出动态引导式寻优策略，提高了算法的全局搜索能力，弥补了支配关系划分空间带来的局限性。通过参数控制决策者的偏好范围，增加了决策者选择偏好解的多样性。另外参数控制引导区域的大小，反映了引导区域的动态性。3）本文提出的方法具有很强的灵活性，可以应用于多种MOEA中。以NSGA-II算法为例对该方法进行实验和分析，并与g-dominance方法、r-dominance方法进行对比，来证明D-dominance算法具有较好的性能。