实际生活中存在许多的动态多目标优化问题（DMOP）。对于此类问题，当环境发生改变时，就要求动态多目标进化算法（DMOEA）能快速和准确地跟踪新环境下的帕累托前沿（PF）或帕累托最优解集（PS）。针对现有算法的种群预测性能差的问题，提出一种基于权重向量聚类预测的动态多目标进化算法（WVCP）。该算法首先在目标空间中生成均匀的权重向量，并对种群中的个体进行聚类，再根据聚类情况分析种群的分布性。其次，对聚类个体的中心点建立时间序列。对同一权重向量，针对不同的聚类情况采取相应的应对策略对个体进行补充，若相邻时刻均存在聚类中心，则采用差分模型预测新环境下的个体；若某一时刻不存在聚类中心，则用相邻权重向量聚类中心的质心作为该时刻的聚类中心，再运用差分模型预测个体。这样不仅可以有效地解决种群分布性差的问题，还可以提高预测的准确性。最后，引入个体补充策略，以充分地利用历史信息。为验证WVCP算法的性能，把它与四种代表性算法进行了仿真对比。实验结果表明，所提算法能够很好地解决DMOP。

现实生活中的多目标优化问题（MOP）大多为动态多目标优化问题（DMOP），此类问题的目标函数、约束条件和决策变量都可能随时间的变化而发生改变，这需要算法在环境变化后快速适应新的环境，且在保证Pareto解集多样性的同时快速收敛到新的Pareto前沿。针对此问题，提出一种基于新评价指标自适应预测的动态多目标优化算法（NEI-APDMOA）。首先，在种群非支配排序过程中提出一种优于拥挤度的新评价指标，并分阶段平衡收敛快速性和种群多样性，使种群的收敛过程更加合理；其次，提出一种可判断环境变化强弱的因子，为预测阶段提供有价值信息，并引导种群更好地适应环境变化；最后，根据环境变化因子匹配3种更加合理的预测策略，使种群快速响应环境变化。将NEI-APDMOA与DNSGA-Ⅱ-A（Dynamic Non-dominated Sorting Genetic Algorithm-Ⅱ-A）、DNSGA-Ⅱ-B（Dynamic Non-dominated Sorting Genetic Algorithm-Ⅱ-B）和PPS（Population Prediction Strategy）算法在9个标准动态测试函数上进行对比。实验结果表明，NEI-APDMOA分别在9、4和8个测试函数上取得了最优的平均反世代距离（IGD）值、平均间距（SP）值和平均世代距离（GD）值，可以更快地响应环境变化。

针对蚁群算法在静态环境下全局路径规划存在无法找到最短路径、收敛速度慢、路径搜索盲目性大、拐点多等问题，提出一种改进蚁群算法。以栅格地图为机器人运行环境，对初始信息素进行非均匀分布，使路径搜索更倾向于起点和目标点的连线附近；把当前节点、下一节点和目标点的信息加入启发式函数，同时引入动态调节因子，促使启发函数在迭代前期起主导作用，而后期则加强信息素引导；引入伪随机转移策略，以减少路径选择的盲目性，加快找到最短路径；动态调整挥发系数，使得前期挥发系数大，后期较小，从而避免算法陷入早熟；在最优解的基础上，引入B样条曲线平滑策略，以进一步优化最优解，使得到的路径更短且更加平滑。对改进算法的主要参数进行敏感性分析，并对该算法的各改进环节的可行性与有效性进行了实验，而且在20×20和50×50环境下与传统蚁群算法及其他改进蚁群算法进行仿真对比，实验结果验证了改进算法的可行性、有效性和优越性。

约束多目标进化算法在求解不可行域较大的优化问题时对不可行域的合理探索不仅有助于种群快速收敛于可行区域内的最优解，还能减少无潜力不可行域对算法性能的影响。因此，提出一种基于空间收缩技术的约束多目标进化算法（CMOEA-SST）。首先，提出自适应精英保留策略对PPS算法的Pull阶段初始种群进行改进，增加Pull阶段初始种群的多样性和可行性；其次，在进化过程中采用空间收缩技术逐渐缩小搜索空间，减少无潜力不可行域对算法性能的影响，使算法在兼顾收敛性和多样性的同时提高收敛精度。为验证所提算法性能，将该算法与四个代表性算法C-MOEA/D、ToP、C-TAEA、PPS在LIRCMOP系列测试问题上进行仿真对比。实验结果表明，CMOEA-SST在处理不可行域较大约束优化问题时具有更好的收敛性和多样性。