在多目标优化问题中,问题的优化函数,目标个数或其他参数会随时间发生变化,这些变化统称为环境变化,这类问题被称为动态多目标优化问题。单纯使用多目标进化算法来解决动态多目标问题容易导致新环境下初始种群多样性的丢失,使进化种群收敛缓慢甚至不收敛。因此,环境响应机制是动态多目标优化算法中的重要组成部分。在环境发生变化时,环境响应机制利用各种方法尽可能的产生一个高质量的初始种群以适应新环境,提高新环境下进化种群的收敛速度并获得一个在目标空间中分布均匀的最终种群。为了设计更高效的环境响应机制来处理动态环境变化,本文对动态响应策略做了大量的研究与实验,提出了一种能有效解决动态多目标优化问题（DMOPs）的基于离散高斯过程回归的动态多目标进化响应策略。在环境发生变化后,基于离散高斯过程回归的个体预测策略将利用多个历史环境下的最优个体信息产生可能靠近新环境Pareto最优解集（POS）的新个体,以加快算法在新环境下的收敛进程。同时,针对POS不变或环境变化呈周期性的DMOPs,设计了一种相似环境度量算法来寻找与新环境最相似甚至相同的历史环境,通过随机引入部分最相似历史环境下的最优个体来提高算法处理该类DMOPs的性能。本文将GS动态响应策略搭配MOEA/D-DE算法,与另外四种经典的动态多目标算法在FDA,d MOP和JY系列测试问题集上进行了对比试验,实验结果展示了GS响应策略处理动态环境变化的优越性。