在运筹学、信息科学、计算机科学、军事科学、可靠性工程及航天技术等众多的研究领域中，均存在着某些不确定性。因此，不确定环境下优化模型的建立和求解有着重要的学术价值和广泛的应用前景。然而，最常见的一种是随机期望值模型，即在期望的约束下，使得目标函数的数学期望值达到最优。但随机期望值模型的目标函数和约束函数均为数学期望，而数学期望值一般采用随机模拟技术获得，这给模型求解带来了较大的计算量。因此采用适应值预测技术求解随机期望值模型的智能优化算法应运而生。本文针对随机期望值模型求解的优化算法进行了研究，主要结果如下：1.针对随机期望值模型求解，给出了基于可信度和相似度预测的差分进化算法，该方法在差分进化算法的变异和交叉过程中，利用可信度和相似度通过加权方法构造适应值函数的预测值，从而减少目标函数值的计算，提高计算效率。最后，通过实例验证算法的可行性和有效性。2.针对随机期望值模型求解，给出了另一种基于适应值预测的差分进化算法，该方法在算法的变异过程中，利用差分进化算法的压缩因子构造适应值函数的预测值，在交叉过程中，利用基于距离的加权适应值预测方法构造适应值的预测值。并通过实例验证算法的可行性和有效性。