仿真技术是复杂系统建模与分析的必要手段,广泛应用于系统设计、性能评估与决策支持过程。在现代复杂系统仿真优化研究中,由于仿真模型呈现的高维、高非线性和多极小特性,使得基于仿真模型的性能评估的计算开销过大,往往难以承受。仿真元建模技术通过建立仿真模型的回归元模型,有效改善仿真优化的运行效率,已成为当前系统仿真领域的研究热点。仿真元建模问题可归结为一类有约束条件的、可以主动获取样本点的小样本机器学习问题。本文从元建模技术在仿真优化问题中的应用需求出发,将目前关于小样本统计学习与预测的贝叶斯机器学习理论——相关向量回归(Relevance Vector Regression,RVR)引入到元模型建立中来,并根据相关向量回归的特点,借鉴机器学习领域的研究成果,有重点地选择了元建模中的几个关键技术问题展开研究。本文研究内容及创新点如下:1、将仿真元建模问题归结为一种小样本机器学习问题,提出将相关向量回归引入到仿真元建模中来,并将相关向量回归元建模方法与多项式回归、Kriging、径向基函数和支持向量回归四种元建模方法进行对比研究,分析相关向量回归元建模方法的适应特性。2、针对RVR元模型存在的核函数选择问题,将多核学习方法引入到RVR中,提出了基于进化算法的RVR元模型多核函数优化方法。按照多核函数的组合形式,将其分为线性多核函数和非线性多核函数两种情况。对于线性多核函数,本文采用一种文化基因算法对线性多核函数进行优化,实现了线性多核函数权重和相关核参数的同时优化。对于非线性多核函数,考虑其形式的不确定性,对其采用树状编码方式,利用遗传规划方法对多核函数组合形式进行优化。仿真实验结果表明,在预测性能上,线性多核函数和非线性多核函数均优于单一核函数。3、为了改善元建模的适应能力和泛化能力,提出了一种RVR元模型的集成学习算法。该方法采用Bagging算法与多核函数选择相结合的二重扰动机制来产生具有差异度的个体学习器,然后利用文化基因算法对个体学习器进行选择性集成。仿真实验结果表明,在多数情况下,该方法能够以较少数量的RVR个体学习器,改善RVR元模型的泛化性能。4、为满足在线元建模需求,提出了一种基于集成学习的RVR元模型增量学习算法。在增量训练阶段,对于每个新增样本子集,将上一步中得到的相关向量与新增样本结合在一起,用于新的个体学习器的训练;在预测阶段,根据所有个体学习器在预测点的K个最邻近训练样本点的预测误差,动态选择在预测点的最优个体学习器或者动态确定在预测点上各个个体学习器的权重,以此组合成集成学习器,用于在该点进行预测。仿真实验结果表明,在多数情况下,该方法可减少训练时间,同时不降低预测精度,但其预测时间开销相应增加。5、基于完成的RVR元模型基础研究工作,提出了基于RVR元模型的仿真优化方法。具体而言,提出了基于RVR元模型的单目标和多目标遗传算法,通过Wi-Fi网络吞吐量优化问题和多目标优化算例初步验证了算法的有效性;以无人机通信网络仿真系统为背景,利用提出的RVR元模型仿真优化方法对无人机通信网络协议进行性能优化,实验结果证明了所提出的仿真优化方法的有效性与可行性。