多目标进化算法在过去的20年中吸引了大量研究者的关注,越来越多的多目标进化算法已经被成功的应用到许多复杂的工业过程优化问题中。目前的多目标进化算法通常要求或者假设真实的评估函数存在,能够为种群中的个体提供准确的真实函数评估,从而为择优选择提供依据。然而在实际的工业过程中存在着许多机理不清,过程复杂的生产过程,对于这类复杂的工业过程,想要获得准确的评估函数非常困难,难以采用进化计算进行优化。选矿过程就是一个典型的复杂工业过程,其包括一系列充满物理或化学反应的工业过程,机理不清晰,很难建立准确反映实际生产过程的机理模型。基于代理模型的多目标优化算法通过在进化过程中建立代理模型,使用代理模型来代替真实性能评价指标函数进行个体适应值评估,并且通过合理的模型管理策略来对代理模型进行更新,从而在减少真实性能评价指标函数评估次数的情况下保证算法能够获得高质量的最优解集。现有的大部分基于代理模型多目标优化算法在求解效率和种群多样性方面并不满足选矿运行指标优化问题的要求。针对上述问题,本文依托国家自然科学基金项目“数据驱动的复杂工业系统运行优化控制及其应用（61525302）”,开展了基于代理模型的选矿运行指标优化方法研究。主要研究工作如下:（1）对选矿运行指标优化问题进行分析描述。首先对选矿工艺流程和运行指标决策过程进行了详细的分析和描述,然后给出了选矿运行指标优化决策的性能指标,确立了七个主要决策变量以及约束条件。（2）通过对基于参考向量引导的多目标进化算法进行改进,提出了一种基于高斯过程代理模型的多目标优化算法RVEA-GP。采用高斯过程模型作为代理模型,设计了基于参考向量聚类的高斯代理模型管理策略,通过对种群中个体所关联的参考向量进行聚类来提高算法的多样性。将所提算法RVEA-GP在标准测试函数上进行了测试,并与经典算法RVEA和典型的ParEGO进行对比实验。结果表明,本文提出的算法在有限次数的真实函数评估下能够迅速收敛到真实的Pareto前沿面附近,并且获得的解的分布更均匀。（3）提出了一种基于RVEA改进的自适应集成代理模型多目标优化算法En-RVEA。设计了一种自适应模型集成策略对神经网络模型、高斯过程模型和二阶多项式模型进行集成,并设计了基于参考向量变化的集成模型管理策略来增强算法的种群多样性。通过在标准测试函数上进行了性能测试,结果表明所提算法比RVEA-GP在种群多样性方面表现更好。（4）建立了选矿运行指标优化的代理模型,采用所提算法求解选矿运行指标优化问题并进行了实验研究。根据实际的选矿生产数据建立了低阶神经网络模型作为真实的选矿性能指标模型并根据实际生产设备状况选取了八种典型的工况环境进行实验研究。采用本文所提的改进算法进行选矿运行指标优化实验,并与两种经典算法进行对比。结果表明,在设定的八种不同工况条件下,本文提出的两种算法在多样性和收敛性方面均优于另外两种对比算法,充分证明了本文设计的两种优化方法对于选矿运行指标优化问题的有效性。