许多科学研究和工程实践中的优化问题涉及计算代价昂贵的仿真,如何有效地解决这类高代价的优化问题仍然是一个巨大的挑战。近年来,基于代理模型的演化算法得到了广泛的研究,被认为具有解决此类优化问题的潜力。针对传统的基于代理模型的演化算法在求解高代价优化问题时代理模型的可靠性较差、演化算法的求解效率较低以及离线数据驱动的演化算法求解精度较差等问题,本文提出三种基于代理模型的粒子群优化算法,主要研究内容如下:（1）针对代理模型构建时数据样本分布与演化种群分布不均衡以及样本不确定性等问题,提出一种基于自适应提升代理模型的粒子群优化算法。首先,采用双因素个体评价机制,使用集成代理模型对候选解的不确定性和适应度进行评价,从而避免不确定样本被代理模型忽视的问题。其次,设计了一种基于不确定解和最优解的局部搜索方法。不确定解在局部搜索中能有效开发出更多的不确定解加入到数据样本集合,以此进行采样来对代理模型进行自适应提升,增强代理模型在一部分搜索空间上的近似逼近能力。最后,与四个基于代理模型的演化算法在24个高代价优化问题基准测试函数上进行性能比较,实验结果表明提出的算法在高代价优化问题上性能表现整体占优。（2）为进一步充分利用代理模型获取高代价优化问题搜索空间的局部特征,提升演化算法的效率,提出一种基于局部代理模型引导的粒子群优化算法。首先,设计了一种基于全局搜索的启动策略,使用单独的粒子群优化过程作为优化器,从而解决了数据样本集合在演化初期缺乏较优样本的问题。其次,采用一种基于径向基函数代理模型特性的动态分区方法,更好地获取搜索空间的局部引导信息,引导算法搜索方向。最后,设计出一种选择性的种群更新策略,在保证种群中个体都具有真实适应度值的同时,减少了额外的适应度函数评价次数。与四个基于代理模型的演化算法在24个高代价优化问题基准测试函数上的对比试验表明,提出算法的性能明显优于对比算法。（3）为保证离线数据驱动情况下基于代理模型的演化算法求解的精确度与可靠性,充分利用离线数据,提出一种基于代理模型知识迁移的粒子群优化算法。算法设计了代理模型间的知识迁移方法,一方面将全局代理模型知识迁移到局部代理模型中,构建更加精确的局部代理模型;另一方面将局部代理模型的知识应用于全局搜索中有效的保证了求解的精度。通过对离线数据样本集合进行多次重采样实现了局部代理模型的动态更新,充分提取和使用数据中隐含的知识。数值实验表明,提出的算法在高代价优化问题上具有一定的性能优势。