现实生活中,许多优化问题存在多个相互冲突的目标,而且这些目标或约束会随着时间而动态发生改变。为解决一类具有环境变化参数的动态多目标优化问题,研究人员常采用跟踪环境变化的优化方法。即在探测到环境发生动态变化时,触发新一轮多目标进化优化过程,利用之前的环境时变历史信息预测全部或部分初始种群,采用具有更好多样性的进化策略来增加种群多样性,确保在有限时间内找到逼近当前真实Pareto前沿的最优解。这种重新触发进化机制,往往在具有复杂的目标函数评价,或者环境变化较快的一类动态多目标优化问题中,不能找到令人满意的Pareto解。针对该问题,研究人员给出了基于时间的鲁棒解定义,旨在找到一组Pareto鲁棒解,使其以一定适应度满意阈值,可以用于多个连续动态变化环境中。但是,已有的Pareto鲁棒解定义,是针对每个个体计算其鲁棒性能,没有从Pareto前沿面来整体考虑Pareto解集的鲁棒性。当相邻动态环境下的Pareto前沿存在交叉、凹凸变化,或者分布均匀性发生变化时,已有鲁棒性定义会出现评价偏差。为此,本文提出了一种新型的鲁棒性定义,并在此基础上,给出了相应的鲁棒动态多目标进化优化算法。首先,为了准确的衡量所求出Pareto解的鲁棒性能,借鉴已有的集合评价思想,将整个Pareto前沿作为一个整体进行考虑,采用Pareto前沿的超体积来描述其解的鲁棒性能。基于上述超体积鲁棒性定义,采用传统MOEA/D算法,构建了基于超体积的鲁棒动态多目标进化优化算法。通过9个标准测试函数的仿真实验,表明该算法能够找到满足未来多个连续动态环境下的Pareto鲁棒解,而且该算法能够在满足收敛性,分布性的前提下得到鲁棒性较优的Pareto解。其次,基于超体积的新型鲁棒性定义,并不能直观反映每个个体的进化对Pareto解整体性能的影响。为了将鲁棒性能带入到种群进化过程中,本章给出个体贡献度的概念,用于分析每个个体对Pareto解鲁棒性能的影响。进而,构建了基于固定时间窗的平均超体积值和生存时间两个转化模型。依靠这两个模型对Pareto解集的鲁棒性能进行刻画。另外,还给出了三种预测方法,用于估计未来动态时刻下Pareto解的目标值。8个测试函数的实验结果表明,所提算法可以得到鲁棒性能更好的解,并且证明了AR预测方法与RPOOT算法结合的效果更好。再次,基于个体贡献度的鲁棒性评价方法,虽然可以成功的利用鲁棒性能引导个体进化,但是也存在计算代价大的缺陷。于是,将多种群分割的方法引入到上述问题求解中。将种群按照目标空间位置分割为多个子种群。采用基于超体积方式来度量每个子种群的鲁棒性,进而将子种群的鲁棒性能评价,转化为约束优化模型。8个测试函数的实验结果进一步证明了基于多种群的鲁棒动态多目标进化优化方法,不仅可以得到鲁棒性能优秀的结果,还能够进一步的降低计算代价。上述的研究成果不仅丰富了动态多目标鲁棒优化算法理论,同时也求解动态多目标优化问题提供了新的研究思路。