在求解黑盒优化问题时,演化算法可以被看作是一类通用的优化器。不过随着待优化问题维度的增加,演化算法会遇到所谓的“维数灾难”问题。目前针对高维优化问题的研究仍是演化领域的难点和热点之一。本论文从学习的角度出发,试图通过学得关于问题的先验知识来帮助算法在高维优化中取得更好的效果。具体而言,本论文的研究工作和成果主要包含如下两个方面:1.针对大规模全局优化问题中CMA-ES算法计算代价大、优化效果差的问题,利用基于相关系数的分组(CCG)策略和模型复杂度控制(MCC)框架来移除高斯模型中冗余的自由度,以降低建模和采样的代价,提升优化效果。2.针对序列决策问题中规划长度选取的困境,引入策略网络和价值网络来从历史的经验中学习,进而指导搜索,使得智能体能以较短的规划长度和较少的搜索代价取得更好的规划结果。在CEC 2010大规模全局优化测试集上,本论文提出的MCC-CCG-CMAES算法统计显著地优于所对比的十种最先进的算法。在OpenAI Gym的运动控制测试环境中,本论文提出的p-RHEA算法的得分也统计显著地高于在线规划方法和强化学习方法。本论文的两个主要工作都具有普适的应用价值,对更加合理高效地将演化算法应用在高维优化领域具有一定的推动作用。