昂贵多目标优化问题泛指目标函数无解析模型或候选解的性能评价非常地费时、费钱的一类多目标优化问题。在对其候选解的性能进行评价时,如果多目标进化算法完全依赖费用昂贵的真实实验,或费时的计算机仿真分析,或交互式人工评价方法,势必导致严重的计算成本灾难。因此,必须借助数据驱动的建模方法求解。文献中常见的一类建模方法是,通过学习候选解样本数据,建立昂贵多目标优化问题各黑箱函数的代理模型,用代理模型的预测输出辅助多目标优化。另一类建模方法则通过建立候选解的Pareto优劣关系训练样本集,直接预测候选解之间的Pareto优劣关系,用预测的Pareto优劣关系辅助多目标优化。虽然两类方法都可减少对目标向量的评估次数,在一定程度上克服计算成本灾难问题,但决策空间的高维性会导致代理模型建模或Pareto优劣关系预测的维数灾难。本文针对无解析模型的多目标优化问题,重点研究基于数据驱动的决策空间等价维识别方法。首先,本文将由决策向量和目标向量构成的样本点投影到由决策分量和目标分量构成的二维平面上,采用网格法对投影点集进行筛选,得到能反映相应决策分量和目标分量映射关系的投影特征点。针对投影特征点分布可能存在的稀疏和不均匀情况,提出一种基于拟合的投影特征点重构方法,对筛选出的投影特征点进行重构。接着,提出一种基于重构特征点的决策空间等价维判别准则。对仿真测试问题的实验表明,提出的方法可有效地识别决策空间中的等价维。其次,根据等价维的识别结果,本文利用Sammon映射方法,对决策空间中的等价维进行分组降维,在降维后的映射空间中预测Pareto优劣性,并将预测的结果应用于多目标进化算法。仿真实验表明,本文所提出的方法可显著地提高Pareto优劣性预测的精度,预测的Pareto优劣性可引导多目标进化算法逼近Pareto最优面。