超多目标优化问题的目标空间维度较高,非占优解的比例增大,导致个体数目有限的种群中选择压力较低,传统帕累托占优方法难以对解进行有效挑选。为了解决超多目标优化问题,超多目标演化算法是一种有效的方法。许多现实问题的目标函数复杂度很高,其函数值的计算非常耗时。对此,可以使用代理模型对目标函数进行近似替换。针对计算代价高昂的超多目标优化问题,本文提出了一种基于代理模型和聚类选择的超多目标演化算法(A Surrogate and Clustering Selection Based Evolutionary Algorithm for Expensive Many-Objective Optimization,SCSEA)。该算法基于一个改进的双存档超多目标演化算法,即双存档2(Two-Archive2)。本文分析并利用模型误差、相对误差等因素,设计多种条件特征;基于决策树提出一种自适应演化控制策略,根据模型评价质量确定是否使用真实适应度函数评估。本文用克里金(Kriging)模型对每个目标函数作近似估计,从而实现在得到近似最优解的同时降低计算代价的目的。在模型管理中训练数据的选取直接影响模型的质量,本文采用聚类算法选择有代表性的个体作为样本数据更新代理模型。此外,本文设计代理模型的更新机制,为了避免较高的计算复杂度,需要控制训练样本的规模。训练数据太大或者太小都会影响算法性能,不同于以往大多数论文中采用固定的训练数据规模的方法,本文提出了一种非固定样本管理策略。本文将提出的算法在一系列标准测试函数上进行实验,并与另外五种演化算法进行了对比,测试不同目标数下的算法表现。实验结果表明,在解决超多目标优化问题时,本文提出的算法的表现优于另外几种演化算法。