许多现实世界的优化问题需要昂贵的计算模拟甚至物理实验来评估候选解。而代理模型辅助的进化算法（Surrogate-assisted Evolutionary Algorithm,SAEA）就是用来解决现实世界中这类昂贵优化问题。然而在某些情况下,在进化算法优化过程中没有在线数据可用,只能基于离线历史数据构建代理模型。这被称为离线的数据驱动优化问题。由于没有新数据可用于改进代理模型,离线数据驱动优化仍然是一个十分有挑战性的课题。本文设计了一套基于分布估计算法（Estimation of Distribution Algorithm,EDA）的离线数据驱动优化框架用来解决离线优化问题。并基于该离线优化框架提出了一种全新的高斯过程辅助的多元高斯分布估计算法（A Gaussian Process Assisted Offline Estimation of Multivariate Gaussian Distribution Algorithm,GP-OEMGDA）。不同于一般的SAEA算法使用传统的进化算法（Evolutionary Algorithm,EA）作为优化组件,本文提出的离线优化算法GP-OEMGDA的优化组件是基于概率分布的EDA来设计的。EDA在优化中明确使用概率模型的方法,与传统类型的进化算法相比,可以更好的挖掘有限离线数据集的信息。GP-OEMGDA采用多元高斯分布作为EDA的概率模型。GP-OEMGDA的代理模型部分是基于高斯过程模型（也被称作克里金模型）训练了两种不同特点的模型,一个精准度高的盲克里金模型和一个鲁棒性强的普通克里金模型。为综合这两种模型的优点,GP-OEMGDA设计了一种基于预测结果稳定性的模型管理策略。该策略使得GPOEMGDA兼具出色的优化效果和强鲁棒性。在对于子代的选择策略上,GP-OEMGDA没直接使用使用代理模型给出的值来作为子代的适应度值,而是结合了代理模型给出的均值和方差的组合来给出子代中各个个体的排名。这样有助于增强算法的鲁棒性。特别是对于没有数据更新的离线数据驱动优化问题,可以防止算法早熟,即收敛到局部最优。最后本文在5个典型的基准问题上进行了全面的实验。实验结果表明,本文所提出离线优化算法GP-OEMGDA能够充分挖掘离线数据集的信息,对于5个基准问题均能收敛到一个合理的最小值。通过和单模型的算法进行对比,GP-OEMGDA的双模型管理策略也被证明是成功的。GP-OEMGDA和目前业界的相同类型的数据驱动算法进行了对比,在一些问题上能取得更好的优化结果。并且在现实世界中的热点材料电优值优化问题上,GP-OEMGDA也取得了不错的优化效果。