本论文主要针对采用多源响应信息进行构建代理模型、序列全局最优设计与多学科系统动态资源配置三大难题,对融合多源响应信息进行基于仿真的复杂系统优化设计而进行了研究。首先基于高斯随机过程提出了多种非层次型多模型融合方法,用来整合多个相互竞争的仿真模型与少数昂贵的实验测量数据,实现了建立高效且准确的响应预测模型。每种新提出的方法均采用不同的构架与假设来描述仿真模型与实验测量之间的关系。第一种方法将真实目标响应表示为所有仿真模型的线性加权和,并且加上一个残余偏差函数;另外两种方法将真实目标响应表示为单个仿真模型与它对应的偏差函数之和,它们的不同点在于假设响应偏差函数具有不同的统计属性:与真实响应相互独立,或者与仿真模型共用空间相关函数。算例研究表明,在多模型融合中考虑额外的响应数据(尽管低精度)往往能够改善代理模型的预测性能。与已有的层次型方法相比,新提出的非层次型方法能够灵活地处理各种复杂的模型精度情况,并且三种新方法的均值与整体预测性能都非常接近。其次,针对多模型融合的情况,提出了两种面向目标的序列采样策略,实现了使用非层次型多级精度模型进行序列全局最优设计。其中,统一序列采样策略利用仿真模型之间的后验相关性作为预测精度的判断准则,提出了一种新的拓展期望改进函数,能够同时确定新样本的输入位置以及评估模型;而两阶段序列采样策略首先采用最大化原始期望函数确定新样本的输入位置,然后采用预后验分析方法对仿真模型的功效进行预测,选取出新样本的响应评估模型。算例研究表明,新提出的两种序列采样策略灵活地均衡不同仿真模型的预测精度与计算费用,不仅能够以消耗更少的计算资源寻得全局最优解,并且提供了具有更好预测性能的最终响应代理模型。最后,提出了一种序列策略将多学科复杂系统的资源配置问题分解为多个决策过程,通过动态添加设计资源以实现降低系统响应的累积认知不确定性。采用多模型融合方法对学科子系统模型进行误差校正,并且量化它们的模型认知不确定性;提出高效的多学科不确定性传播与统计灵敏度分析方法,为选取新填充样本的输入位置与学科响应提供决策信息;利用样本之间的相关性来保证新填充样本在设计空间内足够稀疏;采用预后验分析方法选取所需配置资源的类型。算例研究表明,通过添加计算机仿真数据,绝大多数系统响应的累积认知不确定性都能得到有效的降低,仅需在少数情况下需要添加昂贵的物理实验数据,从而极大地提高了设计资源的利用率。通过设计资源的动态配置过程,新方法能够逐步检测到设计者可能由于缺乏先验知识而忽略的耦合变量输入区域,具有较强的空间探索能力。