动态多目标优化问题普遍存在于现实生活中,此类问题的目标函数和决策变量会随着环境的变化而改变,因此求解该问题的优化算法必须能够快速而又准确地跟踪变化的最优解。基于预测的动态多目标进化优化算法可以根据历史环境信息寻求变化规律,预测未来环境的变化情况,是一类积极响应环境变化的有效算法。因此,本文对预测方法进行研究,提出两种基于预测的动态多目标进化算法。主要研究内容如下:针对算法求解动态多目标优化问题时存在盲目性的问题,本文提出基于分类的多策略预测方法。该方法首先根据最优解集变化的复杂程度,将其变化类型分为不变、平移和其他,可以增强算法的针对性。然后利用秩检验方法设计检测器,有利于更准确地检测变化类型。最后为每种变化类型设计预测策略,不仅可以提高预测精度,而且可以提高算法应对最优解集复杂变化的能力。实验结果表明,该方法可以准确地跟踪复杂变化的最优解集。针对算法的传统预测方法难以适应解空间非独立同分布的问题,本文提出基于测地线流核迁移学习的预测方法。该方法首先将前两个环境的最优解集分别作为源域和目标域,并在其之间构建测地线流曲线,可以获得域不变特征空间,为迁移学习提供必要条件。然后考虑动态多目标优化问题在不同环境中解空间的分布性,利用核技巧在测地线流曲线上学习增量变化知识,使得最优解信息从当前环境迁移到未来环境,提高算法对解空间为非独立同分布问题的适应性。最后根据特征空间中解之间距离最小的原则设计预测器,对未来时刻解集的位置做出预测,有利于提高算法对动态环境的响应能力。实验结果表明,该方法可以有效解决变化频率高和变化程度大的动态多目标优化问题。随着科学技术的发展,物联网技术普遍应用于安防领域,动态图像分割问题亟待有效解决,但是现有的算法分割动态图像时存在结果单一和不准确的问题。因此,本文将动态图像分割问题转化为动态多目标优化问题,不仅可以融合不同分割方法的优势,而且考虑了问题所固有的动态特性。此外,考虑相邻两帧图像之间存在相似性和关联性,将上述提出的两种预测方法相融合作为求解方法,可以利用传统机器学习和迁移学习方法寻求变化规律,提高算法快速追踪最优解的能力。实验结果表明,所提方法能够结合不同分割方法的优势对图像进行分割,并且扩大决策者的选择空间。