优化问题是目前比较热门的一个研究方向,广泛应用在工程领域和科学研究等领域。这类优化问题具有“黑盒”特性,即没有显式目标函数表达式、求解耗时,计算量比较大。群智能优化算法在求解数学表达式未知的黑箱优化问题上取得了卓越的成效。大多数群智能优化算法需要大量的适应度评估,因此不适合求解计算昂贵的优化问题。基于代理模型的群智能优化算法是目前求解计算昂贵优化问题有效的方法。但目前的基于代理模型的群智能优化算法仍然存在求解效率低下的问题。为了进一步提高算法收敛速度和求解精度,减少其计算量,本文提出了基于代理模型的群智能优化算法。本文进行了以下研究:（1）提出了基于双准则的代理模型辅助的群智能优化算法（TCSASOA）。该算法采用了两个准则:基于性能的准则和基于不确定性的准则。基于性能的准则筛选出代理模型最好的个体去构建代理模型,提高代理模型的精度,以利于寻找当前的全局最优解并加快收敛速度。基于不确定性的准则筛选出最不确定的个体以引导种群跳出局部最优,提高算法的探索能力。算法中基于不确定性的准则不仅考虑了样本点之间距离还考虑了样本点的适应度值信息,克服了传统的基于距离的不确定性准则的缺点。通过实验综合分析证明了该算法的有效性。（2）提出了基于双搜索阶段的多代理模型辅助的群智能优化算法（TSMSASOA）。该算法包含两个阶段:全局搜索和局部搜索。全局搜索中使用了集成模型,降低了拟合不良的代理模型所带来的风险。局部搜索使用了RBF代理模型,提高了近似目标函数的精度。两个阶段是交替执行的。全局搜索的最优解一旦没有改进就会执行局部搜索,反之亦然。全局搜索和局部搜索相互配合,保证了算法的探索能力和开发能力的平衡。最后实验结果表明该算法优化性能显著。