在求解昂贵优化问题时,最常用的方法为代理辅助进化算法。大多数代理辅助进化算法通过建立代理模型逼近适应度函数,利用代理模型的预测结果代替真实评价来减少真实评价次数,以克服计算成本灾难问题。但是建立目标函数的高精度代理模型往往依赖于原黑箱问题和模型类型的先验知识,这些知识的缺乏会导致模型的预测性能显著降低。为获得泛化性能较好的代理模型,并降低算法对代理模型的精度要求,本文研究评价候选解优劣关系的序回归预测方法及其在进化算法中的应用。提出了一种候选解优劣性的序评价方法,研究了序回归预测的实现方法。与常规回归（函数逼近代理模型）预测方法在单目标和多目标优化问题上的对比实验表明,序回归预测方法具有较强的鲁棒性。利用Pareto优劣性分层结果为模型提供的训练数据不足以完全体现出数据本身所包含的有用信息,并且难以实现对未知候选解的有效预测。通过挖掘候选解集在目标空间中的相对位置信息,提出样本候选解的序计算方法（Pareto序）评价候选解性能,增加了分层的多样性。与非支配等级（Pareto优劣性分层结果）的对比实验表明,Pareto序回归预测方法提升了模型预测的精度。鉴于预测结果存在不确定性,为了更可靠地利用预测结果辅助进化算法,通过代理模型的折损累计增益法（DCGS）得到了一种分析模型预测不确定性的方法,仿真实验数据验证了该方法的合理性及有效性。针对单目标优化问题,实现了标量序回归预测与进化策略集成的序回归进化策略（ORES）。在经典单目标测试函数上的对比实验结果表明,在收敛性能上,ORES算法比函数逼近代理辅助进化策略具有明显的优势。针对多目标优化问题,实现了Pareto序回归预测方法与NSGA-II集成的序回归遗传算法（ORGA）。对ZDT、UF系列测试函数的仿真实验表明,与主流代理辅助进化算法相比,ORGA在有限资源下获得的非支配解集有更好的收敛性和多样性。