在解决多目标优化问题时,存在这样一类问题,具有多个相互冲突的目标,且优化目标会随时间发生变化,我们称这类问题为动态多目标优化问题(dynamic multi-objective optimization problems,DMOPs)。此类问题强调算法的时效性,并要求算法能在动态的环境中能够保持良好的多样性和收敛性。由于经典的多目标优化进化算法(Multi-objective Optimization Algorithms,MOEAs)在求解这类问题时无法检测到环境是否发生变化和缺乏良好的多样性保持机制,导致此类算法无法有效的求解DMOPs。为了让经典的MOEAs具有求解DMOPs的能力,需要引入环境检测机制和增加相应的响应机制,以提高算法的对于动态环境的适应性和性能。为了解决这一问题,本文提出了一种基于决策变量分类的混合预测策略以响应环境变化,该策略由三步组成。当检测到环境发生变化后,第一步,基于当前环境简单分析每维决策变量对个体的影响,第二步,对不同类的决策变量采取不同的预测方式,最后对第一步和第二步产生的解集进行适应性选择,挑选具有良好收敛性和多样性的解加入初始种群,使种群更适应新的环境。为了检验所提出算法的性能,将所提出的预测策略与DEE框架结合,并与PPS,DMS,SGEA等五种性能优异动态多目标优化算法对比。实验结果表明该算法无论在收敛性还是在多样性上,均具有不错的性能,对比而言具有很强的竞争力,可以较好的求解动态多目标优化问题。