随着现代科技迅速发展,人们求解现实优化问题时不再只关注数学优化方法,而更加关注进化算法对于现实优化问题的可能性与有效性。作为一种基于种群的元启发式搜索方法,进化算法对优化问题的限制很少。进化算法虽然泛用性很强,但是在解决计算密集型的优化问题时,算法优化效果仍然受到计算成本的限制。为了减少进化算法在现实优化问题中所需的计算成本,学者提出数据驱动的进化算法。数据驱动的进化算法基于优化问题中的历史数据,训练代理模型来替代评估昂贵的适应值函数,从而降低了计算成本。尽管数据驱动进化算法对计算昂贵的优化问题来说是有效的,但是在许多实际优化问题中,由于噪声的影响,我们很难保证历史数据的质量。另外,目前数据驱动进化算法的研究重心偏向于性能优秀的算法研发,对于数据驱动进化算法在噪声环境下的研究较少。因此,噪声环境下的数据驱动进化算法研究亟待补充,一方面包括对现有算法在噪声环境下的调研分析,另一方面包括适用于噪声环境下的新数据驱动进化算法的提出。为了对噪声数据下数据驱动进化算法的优化性能进行研究,本文通过调研数据驱动进化算法以及噪声环境建模方法,设计了一种通过控制噪声强度参数和概率参数以模拟不同噪声等级的噪声环境建模方法,并对现有的四种具有代表性的数据驱动进化算法在构建的不同等级噪声环境下进行了调研实验与分析。通过对调研实验结果进行分析,我们对噪声环境、基准问题和数据驱动进化算法之间的关系进行了讨论和总结。在上述工作的基础上,我们进一步提出了一种适用于噪声环境的数据驱动进化算法（Data-Driven Evolutionary Algorithm using Double-Trained Selective Ensemble,DDEADTSE）。该算法基于一种双重训练的代理模型构建方法,在两次代理模型的训练过程之间加入对噪声数据的识别策略和修复策略,减轻了噪声数据对算法的负面影响。通过实验,我们对提出的噪声数据识别策略和修复策略的有效性进行了验证,并将DDEA-DTSE与调研实验中的最优结果进行对比,验证了提出算法在噪声环境下的可行性。