实际工程应用中的大多数优化问题,不仅是只有一个目标函数,而是含有多个相互冲突的目标,且这些目标进行一次函数评价需要耗费较多的时间成本。多目标进化算法可以优化此问题来获得一组能够兼顾每个目标的折衷解,但通常在获得最优解集之前,都需要进行大量的函数评价。目前,代理模型辅助的进化算法是求解这一问题的有效手段,然而关于昂贵的多目标优化问题的研究仍处于初期阶段。因此,本文就计算昂贵的高维多目标问题进行研究,主要工作如下:一、混合估值策略辅助的进化高维多目标优化方法。在代理模型辅助的进化多目标优化算法中,由于代理模型受到训练样本维度的诅咒,随着问题维度的增加,一方面训练模型所需样本数量随之增加,而获得更多样本对于昂贵问题来说是非常困难的,另一方面若样本数不够,则训练的代理模型可能不准确,导致算法的搜索方向不准确,从而无法获得最优解。因此本文提出一种适应值估计策略作为局部模型,RBF作为全局代理模型,两者协同辅助进化多目标优化算法。同时考虑到种群的收敛性和多样性,本文提出一种新的个体估值填充准则计算方法用于模型管理,辅助选择有潜力的个体真实评价,从而更新代理模型和非支配解集。该方法在7个DTLZ基准测试问题上进行了实验对比,统计结果表明,本文算法在求解计算费时高维多目标优化问题上是有效的,且具有较强的竞争力。二、模型辅助的计算费时进化高维多目标优化。由于高斯过程模型具有较好的拟合问题的能力,本文使用其近似原问题,并通过对高斯过程模型最优解集的搜索,探索最优解集可能存在的不同领域,从而提高算法的开发能力。并基于个体的收敛性,种群的多样性和估值的不确定度,提出了一种新的期望提高计算方法,用于辅助从潜在的非支配解集中选择使用真实目标函数计算的个体,从而更新代理模型。在7个DTLZ基准测试问题上的实验对比结果表明,本文提出的算法在高维多目标优化问题上有较好的表现。