由于元启发式优化算法不要求优化目标连续可微,因此其在实际工程优化问题中获得了广泛的关注,特别是在那些目标函数无法显式给出的优化问题中获得了更好的应用。然而,作为一种基于种群迭代的随机搜索算法,在获得一个满意的优化解之前需要大量的目标函数评价,因此限制了其在某些优化目标评价费时的优化问题中的应用。代理模型辅助的元启发式优化算法近几年受到了学者们越来越多的关注,然而,训练什么样的代理模型以及选择哪些个体进行真实计算是代理模型辅助的优化算法中的重要研究部分。因此,针对计算费时问题,本文结合不同类型模型的特征,针对不同的多代理模型辅助的进化优化算法进行了深入的研究。具体工作如下:（1）全局/局部模型交替优化辅助的差分进化算法（AGL-DE）。使用历史样本训练全局或者局部代理模型,对两类模型交替优化以辅助差分进化算法求解计算昂贵的设计问题。其中,全局代理模型用于拟合整个搜索空间的目标函数,并用于平滑掉局部最优解,而局部代理模型负责拟合目前找到的最优解附近的子空间,从而辅助加快对最优解的搜索。通过交替搜索全局和局部代理模型的最优解,并对找到的模型最优解进行真实的目标函数评价,从而实现探索和开采的平衡。此外,对搜索到的全局和局部代理模型最优解进行真实的目标函数计算,以辅助算法快速地找到优化问题的好解。（2）基于离线/在线代理模型辅助的进化算法（SAEA-OOM）。在该方法中,首先通过离线数据驱动的优化算法找到一个较好解,随后在到目前为止找到的最优解周围训练局部模型,且用在线数据驱动的优化算法搜索该局部区域的最优解,并对其进行真实计算。真实计算的个体存入样本库中并更新模型,重复以上在线数据驱动的优化方法,直到满足停止条件。