在现实生活中,许多实际问题都可以被归纳为多目标优化问题(Multiobjective Optimization Problem)。而且,大多数优化问题会随时间发生变化。不仅具有多个优化目标、多个约束条件、高维决策变量,而且这些优化目标、约束条件、决策变量往往随时间的变化而变化,这一类问题就归结为动态多目标优化问题(Dynamic Multiobjective Optimization Problem)。为了解决这种优化问题,进化算法(Evolutionary algorithm)因其独特的性质--迭代一次,可以获得一组满足所有目标函数的解集,而进入了研究学者的视线。然而,由于动态多目标优化问题自身的复杂性,导致动态多目标优化进化算法至今仍然不太成熟,其中大多数是在静态多目标优化算法的基础上增加响应环境变化的辅助策略。然而,这些改进策略是在环境发生变化后,通过增加算法搜索的随机性来响应环境的改变。这样就会导致种群的收敛速度降低,使得种群无法有效地应对环境的改变。针对上述问题,本文提出了一种改进的动态多目标进化算法,并通过在标准测试函数上进行Matlab仿真实验,从而验证了改进算法的有效性。本文主要工作如下:第一,简要描述了静态和动态多目标优化问题的定义与数学模型,重点总结了当前动态多目标进化算法中的主要环境响应策略,并分析了这五种策略的优缺点以及适用范围。归纳了动态优化问题的分类以及评价算法性能优劣的性能指标,详细分析了经典的非劣排序遗传算法(NSGA-Ⅱ)的各个模块的基本原理和操作流程。第二,针对现有的动态多目标优化算法种群收敛速度慢、多样性难以保持等问题,提出了一种基于pareto解集分段预测的动态多目标优化算法。在改进算法中,预测策略应用在整个种群进化过程中,来提高种群收敛速度,并通过分段预测策略来提高预测精度。根据动态优化问题收敛的难易程度不同,迭代得到的pareto解集数量也不同。该算法还采用了自适应机制--根据优化问题的难易程度,自适应的在预测的种群周围产生随机个体来增加种群的多样性。第三,对提出的新算法进行了收敛性和种群多样性性能评估。将新算法与经典的动态非劣排序遗传算法(DNSGA-Ⅱ)算法在三类测试函数上进行测试,并绘制了最优前沿分布图和性能曲线。详细分析了实验结果,表明新算法在保持种群多样性和收敛性上均有竞争性。