计算高代价问题广泛存在于实际工业设计和生产领域。这类问题往往不存在具体的数学表达式,无法用常规数值方法解决。演化算法作为一种不依赖梯度信息解决优化问题的优化算法,通过大量的适应度评估来选择优良的个体,从而找到问题的最优解。然而,评估一次高代价问题的解需要消耗大量计算成本。这使得常规演化算法在这类高代价问题中很难发挥优良的性能。对此,研究人员们提出了代理模型辅助的演化算法:该类算法利用代理模型代替真实昂贵的适应度评估过程,能在一般的演化算法中替代大部分的真实评估过程。该类算法在大大降低真实的适应度评价次数的同时,依然保持着演化算法优秀的优化能力。在高代价问题中,存在一类超高代价问题。对超高代价问题解的一次评估往往需要几个小时、甚至几天的计算时间以及高昂的经济开销。当总的计算成本很有限的情况下,解决超高代价问题所拥有的总个体评价次数将会非常少。这在现有很多算法中,只能满足算法初始化的要求。因而,高效地解决这类问题在实际工业应用中具有十分重要的意义。在本文的工作中,我们对已有的代理模型辅助的演化算法框架进行改进,针对超高代价问题提出了基于Voronoi的代理模型辅助的演化算法。在该算法中,我们利用留一交叉验证技术探测模型的不确定区域来辅助算法进行全局模式的搜索。同时,我们利用Voronoi图分割技术将整个搜索空间分成若干个子空间,使算法的局部搜索模式更加注重有潜在价值的局部子区域。全局搜索模式和局部搜索模式相辅相成,共同解决超高代价问题,使其在有限的计算成本下能够寻找到一个优秀的解。为了验证算法的性能,我们将此算法与现有的优秀算法在一系列的测试函数上进行了实验分析。结果表明,在总的适应度评估次数极度有限的情况下,我们所提出的算法表现更加优秀,同等条件下获得解的质量更高。在利用演化算法解决高代价问题时,我们除了需要关注如何设计有效策略降低计算成本之外,算法对问题的求解风险也是一个需要关注的点。没有免费的午餐理论证明了没有任何一种算法能够完美地解决所有问题。这意味着当研究人员随机选择一个算法对一个未知的问题进行求解时,存在一定的概率无法获得一个优质的解,这就是算法对问题的求解风险。而当研究人员使用一种算法未能获得一个满意的解时,他们往往会选择使用同一种算法或者换一种算法对问题重新求解,这使得求解问题的计算成本成倍增加。尤其在高代价问题中,计算成本消耗增加现象更加明显,资源浪费更为严重。为了降低算法对问题的求解风险,研究人员提出了算法投资组合的方法。这类方法通过一定的策略将计算成本分配给不同算法,从而使组合算法能够获得一个更高质量的解,降低单一算法的求解风险。然而,由于高代价问题的特殊性——总适应度评价次数有限,目前的算法投资组合研究还未能够解决高代价问题的求解风险问题。因此,在本文的另一个工作中,我们设计了两种针对高代价问题的算法投资组合框架:并行式的算法组合框架和基于UCB的算法组合框架。组合框架通过将有限的计算成本在不同算法中进行合理分配,来降低单一算法带来的高求解风险。并行式框架将所有子算法分配到不同的子进程中,使所有算法并行对问题进行优化。子算法之间共享一个样本数据库,充分利用不同算法之间的特性,优势互补,增强对问题的求解能力。相反,基于UCB的算法框架则借鉴了强化学习中的UCB策略来辅助算法的动态选择。UCB策略通过分析各算法在求解过程中的收益,在各个阶段选出最合适的算法,使候选算法中针对具体问题更加合适的算法分配得到更多的计算资源。同样,我们选取了一些优秀算法嵌入到组合框架中组成算法组合实例,并将它们在测试函数上进行了实验对比分析。结果证明我们提出的两种框架相比于各子算法而言,能够有效降低高代价问题的求解风险,并在一些问题上最终获得一个更高质量的解。