在现实世界中存在着大量的昂贵有约束的黑盒优化问题,这类问题具有问题无梯度信息、约束条件难处理、真实函数评价数据昂贵的三大难点。数据驱动的进化约束优化分别采用了进化算法、约束处理技术和代理模型逐一应对,已经成为解决这类问题的主要方法。现有的数据驱动的进化约束优化方法在解决昂贵有约束的黑盒优化问题上取得了一定成果,但在解决这类问题上仍遇到了诸多挑战。尤其在较小真实数据量的情况下,算法需要在有限的数据量限制下快速完成优化,这对优化算法的收敛能力,约束处理技术的应用和代理模型的预测精度均提出了更高的要求。本文针对小数据驱动的进化约束优化算法进行研究,提出了几类不同问题的进化优化算法,主要工作如下:1.在昂贵约束连续优化问题中,由于可采用真实数据量较小,因此需要加快优化算法的收敛速度。局部搜索具有收敛速度快但容易陷入局部最优解的特点,而全局搜索多样性好,但是收敛速度慢。为了结合两者的优点,提出了重启策略用以协同两种搜索方法。全局搜索在全局搜索空间进行搜索,局部搜索则开发有希望的局部搜索区域。为了避免局部搜索陷入局部最优解,当局部搜索落后全局搜索或收敛停滞时,采用重启策略对局部搜索进行重启。实验结果表明重启策略可以有效加快算法的收敛速度,避免算法陷入局部最优解。2.在昂贵约束组合优化问题中,组合优化空间具有邻域相似性,但遗传算法中的交叉变异算子并不擅长利用邻域信息,因此不适合搜索组合优化空间。变邻域搜索算法可以利用邻域进行搜索,但是计算代价高,多样性不好。为了使得优化算法兼顾进化算法的全局并行搜索能力和邻域搜索算法的局部开发能力,提出了竞争邻域搜索算法。竞争邻域搜索算子对一个个体的多个邻域中的个体同时进行随机搜索,多个邻域的个体进行竞争,这样提升了对个体邻域的搜索效率。同时,种群中的每个个体均采用竞争邻域搜索算子进行搜索,保证了竞争邻域搜索算法的全局搜索能力和并行能力。实验结果表明竞争邻域搜索算法可以显著提升搜索效率,在测试问题上有着出色的表现。3.在昂贵约束自组织集群优化问题中,集群仿真存在着不同精度的仿真,低精度仿真的速度快,但是仿真精度低,高精度仿真的精度较高,但是更加耗时。为了充分利用不同精度仿真,提出了多精度协同策略。多精度协同策略首先从种群中选择有希望的一些个体进行低精度仿真,然后从低精度仿真评价后的个体中选择最好的个体采用高精度仿真进行进一步评价。一方面借助低精度仿真筛选了采样个体,另一方面避免了随意使用高精度仿真造成的评价资源浪费。实验结果表明多精度协同策略较好兼顾了不同精度仿真,在不同集群大小和不同约束条件下均取得了良好的优化效果。