高代价优化问题广泛出现在实际工程应用设计中,它们是具有计算代价昂贵、运算速度慢等昂贵评估特征的,且具体数学表达式未知的一类黑箱优化问题.代理辅助的进化算法（SAEAs）通过借助计算成本较低的代理模型来部分替代具有高昂代价的函数评估,能有效降低高代价优化问题的求解成本,是解决该类问题的重要方法之一.针对高维高代价优化问题,本文分析了两个常用的代理模型（RBF模型和Kriging模型）分别作为全局模型和局部模型的优缺点,并以此为基础提出一种求解高维高代价问题的全局和局部代理辅助差分进化算法（GL-SADE）,且进行相关实验研究.此外,针对另一类特殊的高代价问题——多目标双层优化问题,本文通过条件生成对抗网络（cGANs）来逼近多目标双层优化问题中潜在的集值映射,进而提出一种条件生成对抗网络辅助的多目标双层优化算法（c GMBOA）,并进行相关实验研究.论文完成的主要工作如下:（1）基于RBF模型和Kriging模型的特性,分析了两者分别作为全局模型和局部模型的优缺点,为后续结合两者长处,开发出一种更高效、更稳健的算法打下了基础.（2）基于对RBF模型和Kriging模型各自特性的分析,提出了一种求解高维高代价问题的全局和局部代理辅助差分进化算法（GL-SADE）.该算法利用所有样本训练一个全局RBF模型,并借助全局RBF模型的最优解来加速收敛;同时,该算法利用局部Kriging模型和动态权重的LCB选择标准对搜索空间进行探索,避免陷入局部最优.当局部搜索找到比数据库中所有数据更优的解时,该算法通过执行奖励搜索策略来进一步开发局部Kriging模型的预测能力.实验结果表明,该算法可与现有的三种算法相媲美或优于现有的三种算法,并且对不同维度的问题具有较好的自适应能力.（3）提出一种条件生成对抗网络辅助的多目标双层优化算法（cGMBOA）.把下层任务的最优解看作是服从下层任务的帕累托最优解集（PS）的分布的样本.提出使用cGANs逼近多目标双层优化问题中从上层向量到下层PS的集值映射.通过向cGANs的生成器能输入上层向量和高斯噪声,生成对应近似的下层PS.但cGANs的产生的种群缺乏多样性,可能降低多目标双层优化问题的求解效率.因此,提出了一种自适应多种群策略,该策略根据前一代cGANs产生的子代的质量自适应地调整cGANs产生的子代数量.通过cGANs和自适应多种群策略,提出的c GMBOA算法能够节省下层函数评估次数.该算法在5个不同复杂度的基准问题上都优于两种对比算法,证明了cGANs在处理多目标双层优化问题上很有前景的.