随着工程或者科学问题的复杂化,优化问题的维度也逐渐变高,且部分问题评价一次目标函数的时间很长。由于进化优化算法在获得最优解或接近最优解之前需要消耗大量的目标函数评价,因此其无法直接应用于求解大规模昂贵优化问题。代理模型辅助的进化优化算法是近年来求解昂贵优化问题的常见方法。然而,维度越高,所需的训练数据将越多,这对于昂贵优化问题来说是很难获得的。为此,本文通过随机特征选择和随机分组将大规模问题分解成若干低维度的子问题,进而对子问题进行建模,模型辅助子问题优化从而求解昂贵大规模问题。本文的主要工作如下:一、随机特征选择辅助的进化算法（SAEA-RFS）。每一代都使用随机特征选择技术从原始大规模优化问题中选择决策变量形成维数不一的众多子问题,在子问题上构建模型,辅助进化算法顺序优化,之后将子问题近似值最优的向量替换到当前最优解中对应的维度形成新的候选解,并用目标函数评估,更新全局最优,以此来求解昂贵的大规模问题。为了评估其性能,在CEC’2013大规模基准测试集上进行了实验,并与其他算法进行了比较,实验结果表明,SAEA-RFS比其他算法更有效,尤其是在部分可分和不可分问题上。二、预筛策略辅助的进化算法（PSEA）。采用协同进化算法中随机分组的思想,将大规模问题等分成众多非重叠的子问题,在子问题上建立模型,模型辅助进化算法优化子问题并进行预筛,最后预筛后的子问题种群随机拼接,形成原问题种群,对其进行真实评价存入数据库中以更新训练样本,并更新全局最优。最后,进行了大量的数值实验,实验结果表明,该算法在求解大规模问题上性能显著,尤其是在部分可分可加问题上。