在实际生活和工程项目中,人们经常会遇到使多个目标在给定区域同时获得最佳的优化问题,这些目标常常相互冲突,这类问题称作多目标优化问题(Multi-objective optimization problems,MOP)。从多目标优化问题被提出,进化算法一直作为解决此类问题的最有效手段,但是这类进化算法求解对象大部分为已知优化函数的确定性问题。而实际工程优化问题与此不同,优化函数经常是未知的,且评估实验成本昂贵;优化函数中经常含有可用区间表示的不确定变量。本文将以上两个问题归纳为“昂贵区间多目标优化问题”。针对该问题本文主要做如下改进:(1)在模型建模数据不充足的情况下,针对优化函数未知的昂贵区间多目标优化问题,根据决策空间数据挖掘,提出了一种基于主曲线建模的NSGA-II算法。该算法首先利用K主曲线描述决策空间种群分布数据流形。然后利用主曲线模型通过插值和延展的方法生成子代,与遗传算法的随机生成子代策略相比,通过确定性数据挖掘生成有效子代效率会更高。由于目标空间拥挤距离无法求出,为此利用K主曲线模型筛选出与待测解距离最近的前、后相邻解,实现了在决策空间对同序值待测解的筛选,进而完成了对区间NSGA-II算法的改进。(2)在模型建模数据充足的情况下,本文基于代理模型和数据挖掘的思想,提出了决策空间及目标空间的数据融合策略。首先,采用区间函数高斯过程建模策略,以区间函数的相关性和准确性为优化目标,利用多目标优化算法对高斯过程参数进行求解,用其代替目标空间的优化函数和约束函数;然后,在决策空间利用种群数据建立K主曲线模型。通过高斯代理模型和近邻策略得到待测解之间的两种支配度,再采用渐消记忆策略,即随进化代数自适应调整两种支配度的权重获得最终支配度;最后,利用高斯代理模型和K主曲线模型得到待测解的两种拥挤距离,再次利用渐消记忆策略调整两种拥挤距离的权重获得最终拥挤距离。仿真结果验证了所提策略的有效性。