解决约束多目标优化问题（CMOP）的难点在于平衡目标优化和约束满足的同时兼顾解集的收敛性和多样性。为解决具有大型不可行区域和较小可行区域的复杂约束多目标优化问题，提出一种基于两阶段搜索与动态资源分配的约束多目标进化算法（TSDRA）。该算法在第一阶段通过忽略约束跨越不可行区域；然后在第二阶段通过动态分配两种计算资源协调局部开发和全局探索，兼顾算法的收敛性和多样性。在LIRCMOP和MW系列测试问题上进行的仿真实验结果表明，与四个代表性的算法CMOEA-MS（Constrained Multi-Objective Evolutionary Algorithm with Multiple Stages）、ToP（Two-phase）、PPS（Push and Pull Search）和MSCMO（Multi Stage Constrained Multi-Objective evolutionary algorithm）相比，所提算法在反转世代距离（IGD）和超体积（HV）上得到了更优异的结果。在LIRCMOP系列测试问题上，TSDRA获得了10个最佳的IGD值和9个最佳的HV值；在MW系列测试问题上，TSDRA获得了9个最佳的IGD值和10个最佳的HV值，表明所提算法可以更有效地解决具有大型不可行区域和较小可行区域的问题。
