在现实世界里,存在许多计算复杂度高、计算时间长的复杂问题。对于此类问题,算法优化过程的计算成本是一个备受关注的领域。优化中,部分问题可以使用低成本的代理模型进行替代地优化。代理模型根据精度被分为不同的保真度级别,Multi-fidelity技术是一个针对此类问题的有效策略。然而,在许多算法的研究中,缺乏与其结合的有效方法。磷虾群算法(KH)是一个近些年被开发出来的高性能算法,但是其在解决这类难题时同样存在计算时间长的缺点。本文以磷虾群算法为研究基础,通过结合Multi-fidelity技术,提出了三种面向多保真问题的MFKH算法:MFKH-I、MFKH-C和MFKH-D。MFKH-I是一种融入了基于迭代的多保真调整策略的MFKH算法,通过四种保真度控制函数可以在迭代的优化过程中直接调节问题的保真度级别。MFKH-C算法考虑了计算成本预算的限制,随着算法优化的进程,其为更高保真的问题模型自动分配更高的计算成本。MFKH-D算法基于优化阶段的状态支配关系提升问题保真度级别。当算法的优化进入退化的状态时,算法会更新问题的保真度级别到更高。此外,为了使MFKH算法在解决多保真问题上具有通用性,本文还提出了一个用于多保真问题建模的通用Multi-fidelity类问题框架。该框架是高计算复杂度问题建模的参考和依据。作为MFKH算法所面向的问题类型,其为MFKH算法优化过程的保真度调整策略提供了模型控制的接口。在对多保真测试集和一个工程应用的实验测试中,所提出的三种MFKH算法相比于原始的KH算法,计算成本方面大部分情况下均有大幅度的降低。同时,MFKH算法优化的结果在精确度和稳定性方面,相较KH算法,达到了至少相同的性能。