在实际工程优化问题中通常涉及多个目标,这些目标往往不能显示表达,且求解耗时,而多目标智能优化算法在未知函数表达式时对优化解进行搜索,适用于处理实际工程优化问题。但是,多目标智能优化算法在求解复杂优化问题时需要大量的适应度函数评估,导致算法在执行过程中耗费巨大的计算资源,使得时间成本剧增。为了在保证满意优化精度的同时减少适应度函数的评估次数,基于代理模型的多目标智能优化算法成为研究热点。通过使用代理模型促进搜索种群进化,寻找到的候选解用于更新代理模型,从而减少适应度函数的评估次数,合理利用计算资源。但是,代理模型在多目标智能优化算法中的应用仍然存在求解精度较低的问题,为进一步提高代理模型的准确性,本文将对代理模型的构建和模型管理进行研究。主要研究内容包括以下三个方面:研究如何选择样本点以构造代理模型。为使数据样本点具有较好的均匀性与较高的空间覆盖率,使用最优拉丁超立方采样获取初始样本点,使样本点能够更好地代表整个搜索空间。该采样方法是在拉丁超立方设计的基础上增加极大极小优化准则,同时满足在每个决策变量上的投影均匀性和空间分布均匀性,该方法能在一定程度上提高代理模型的预测精度。研究如何建立代理模型以提高其求解效率。针对基于代理模型的多目标智能优化算法在减少昂贵适应度函数评估时难以通过少量样本点构造高质量代理模型的问题,提出异构集成代理辅助多目标粒子群优化算法,该方法通过使用加权平均法将Kriging模型和径向基函数模型组合成高精度的异构集成模型。在多目标粒子群优化算法框架基础上,为每个目标函数自适应地构造了异构集成模型,然后利用异构集成模型得到的非支配解来指导种群的更新,预测个体响应值,减少适应度函数评估次数。研究如何更新代理模型以提高其准确性。针对小样本数据构建初始代理模型时优化效率不高,模型不够准确的问题,提出组合加点准则的代理辅助多目标粒子群优化算法,该算法通过组合加点准则对代理模型进行管理加快收敛速度,同时用实际目标函数对每次迭代中增加的样本点进行评估,从而更新代理模型,提高代理模型的优化效率及准确性。最后,通过复杂数值优化问题对上述方法进行了测试与性能分析。实验结果表明,本文所提出的两种方法能有效均衡评估代价与优化效率之间的矛盾,提高了智能计算的实际求解能力。