实际工程和科学领域中存在一些优化问题,其进行一次性能评估非常耗时。进化优化算法是求解最优化问题的最有效的手段之一,然而,由于进化算法在获得全局最优解之前需要进行大量的适应值评价,导致其不能直接应用于计算昂贵的优化问题上。近年来,代理模型辅助的进化优化算法受到了越来越多的关注,而其中采样策略是影响模型是否能够辅助进化优化算法在计算资源有限的情况下找到最优解的重要因素之一。本文使用代理模型近似计算费时的目标函数,并结合多种填充采样策略辅助进化优化算法,以提高模型的准确度,进而尽可能地找到问题的最优解。本文的主要工作如下:一、基于不确定度采样策略的代理模型辅助的优化算法（USSAOA）。在代理模型辅助的进化算法中,常见的代理模型分为全局代理模型,局部代理模型和集成代理模型。不管使用哪种模型或者哪类模型,引导模型找到全局最优位置是非常重要的。因此,如何选择较好的采样点来更新模型是代理模型辅助进化算法的重中之重。本文利用径向基函数代替计算费时的目标函数,提出了一种新的不确定度计算方法,并结合模型估值提出一种新的填充采样策略来选择真实计算的个体,以提高模型的准确度;其次,利用差分进化算法优化该模型,以加快算法找到全局最优解。所提算法与目前求解复杂优化问题的算法在7个高达100维的基准问题上进行了测试比较,实验表明,该算法在计算资源有限的情况下可以获得更好的结果。二、一种集成代理模型辅助的进化优化算法（ES-SAOA）。为了更好求解复杂优化问题,在USSAOA算法基础上引入局部模型,并对全局模型和局部模型进行最优解搜索,分别采用不同的填充采样策略以平衡对未知区域的探索能力和对潜在最优解局部区域内的开采能力,从而加快算法找到问题的最优解。所提算法与目前求解复杂优化问题的算法在7个高达100维的基准问题上进行测试比较,实验表明,该算法在计算资源有限的情况下可以获得更好的结果,能够有效地解决计算费时问题。