进化优化算法由于不需要优化问题连续可微,因此在科学研究和工程实践中获得了越来越多的应用。然而,进化优化算法在获得最优解之前往往需要进行大量的目标函数评价,因此无法直接应用于求解目标函数评价非常费时的优化问题。近年来,代理模型辅助的进化优化算法求解目标函数计算费时的优化问题获得了学者们的关注。本文针对目标函数计算费时的优化问题提出了两种新的求解算法,工作分别如下:一、基于历史模型集成辅助的差分进化算法。代理模型辅助的进化优化算法求解单目标费时问题的重点之一是提高模型的估值准确率。集成多个模型的策略有利于利用不同模型的特点从而提高模型的准确率,因此其被广泛使用。但同时建立多个模型在模型更新时会增加计算耗费。因此本文提出基于历史模型集成辅助的差分进化算法。选择部分历史模型与当前代模型构成集成模型,共同辅助进化优化算法,提高算法的优化效率。在CEC2005测试集上对本文算法进行测试,与其他算法相比,本文提出的算法在真实评价次数有限的情况下可以更快获得好解。二、基于历史模型集成辅助的差分进化改进算法。针对种群在进化过程中易陷入局部最优的问题,将模型库中的模型按全局模型与局部模型的顺序依次建立,选择最新的NM＿max（NM＿max为集成模型数）个模型构建集成模型,帮助种群在进化过程中跳出局部最优。环境选择通过父代与子代对应个体适应值进行比较的方法,选择估值小的作为下一代种群。在多个函数上的测试结果表明本文算法更有利于种群跳出局部最优解,相比于其他算法具有更好的优化性能。