在解决许多真实世界的多目标优化问题时,通常找不到合适的评估函数或评估代价十分昂贵。可以通过实验或日常生活中收集的数据驱动的方法求解此类进化优化问题,这称为数据驱动的进化优化。数据驱动的进化算法是求解昂贵优化问题的一个有效方法,一般通过训练代理模型近似目标函数评估,降低评估代价。根据是否可以使用优化过程中生成的新数据,数据驱动的进化优化分为离线数据驱动的进化优化和在线数据驱动的进化优化。离线数据驱动的进化优化不可以使用优化过程中生成的新数据,而在线数据驱动的进化优化相反。因此,在线数据驱动比离线数据驱动更加灵活。为了求解昂贵多目标优化问题,本文提出了四种基于代理模型的在线数据驱动进化算法,具体研究内容如下:（1）基于Pareto支配中非支配解的优势,提出了一种非支配解更新策略的在线数据驱动进化算法NSUSODDEA。非支配解相较其他解而言,拥有最少的目标冲突,可以提供给决策者一个较佳的选择空间。因此,NSUSODDEA选择非支配解用于代理模型的更新。通过与基于支配的多目标进化算法及其他昂贵多目标进化算法在昂贵测试函数上对比,验证提出算法NSUSODDEA的有效性。（2）针对敏感点对代理模型质量的影响,提出了一种改进克里金模型辅助的双档案在线数据驱动进化算法KTA2＿add Model4。该算法根据KTA2作出改进,由KTA2中训练三种克里金模型作为代理模型改进为KTA2＿add Model4中训练四种克里金模型作为代理模型,增加一种无较大影响点和较小影响点训练的不敏感模型3。通过与KTA2算法及其他昂贵多目标进化算法在昂贵测试函数上对比,验证提出算法KTA2＿add Model4的有效性。（3）针对多目标优化问题中收敛性与多样性冲突的问题,提出了一种基于双档案的双模型在线数据驱动进化算法TAODDEA。该算法将双档案——收敛性档案和多样性档案用于训练两个模型——收敛性模型和多样性模型。并且,通过决策机制从两个模型中选择一个作为最终预测模型。通过与双档案算法及其他昂贵多目标进化算法在昂贵测试函数上对比,验证提出算法TAODDEA的有效性。（4）为了同时兼顾收敛性与多样性,提出了一种双档案更新策略的在线数据驱动进化算法TAUPODDEA。该算法将双档案——收敛性档案和多样性档案用于代理模型的更新,交替选择收敛性档案和多样性档案中的解更新训练集,使得训练集中既有收敛性好的解也有多样性好的解。通过与双档案算法及其他昂贵多目标进化算法在昂贵测试函数上对比,验证提出算法TAUPODDEA的有效性。