在实际的工程优化问题中,存在一类具有“黑箱”特性的问题,其目标函数往往不能显式表达,且求解耗时。群智能优化算法凭借其不要求目标函数具有连续性、凸性、可导性和可行域连通性等优势,在求解该类问题中得到了广泛的应用。但是,群智能优化算法作为一种基于种群的随机搜索算法,在获得满意的设计方案的同时,需要大量的适应度函数评价。随着工程优化问题复杂程度的增加,适应度函数的评价成本越来越高,导致群智能优化算法的执行过程耗费大量的计算资源。为了在保证满意优化精度的同时尽可能地减少适应度函数的评价次数,基于多代理模型的群智能优化算法应运而生。该类算法采用代理模型方法引导种群的进化,而种群寻优历史信息则用于更新代理模型,通过二者的协同优化,达到减少函数评价次数,合理分配计算资源的目的。本论文从连续空间优化、混合整数优化、多目标优化以及并行计算等方面对基于多代理模型的群智能优化算法展开深入的研究,具体包括以下几个方面:1)针对单目标函数的连续空间优化问题,提出一种基于多代理模型的粒子群优化算法。该算法由内环优化和外环优化两部分组成。在内环优化中,基于动态分区方法划分搜索空间,并通过局部代理模型代替全局代理模型,降低建模成本;此外,为了平衡全局搜索和局部优化,提出一种基于多代理模型的并行优化方法。在外环优化中,粒子群算法在内环优化结果的引导下寻优,从而减少适应度函数评价次数。通过10个标准测试问题的求解结果表明,所提方法针对低维、非凸和多模态问题能够获得满意的收敛结果。此外,将所提方法应用到数据驱动模型的参数确定问题中,实验结果表明所提方法可以在有限的计算成本下获得满意的参数配置方案。2)针对含约束的混合整数规划问题,提出一种基于多代理模型的离散粒子群优化算法。该算法基于预选择策略筛选候选解,并采用精英个体引导粒子群的进化,而粒子群的位置信息为代理模型提供训练样本。为了提升预选择策略的效率,一方面,提出一种基于多群体协作模型的采样方法,获取多样性的候选解。另一方面,改进基于数据并行的高斯过程建模方法,通过自适应地构造局部代理模型,降低建模成本,提升代理模型的局部预测能力。最后通过12个含有约束的标准测试问题验证所提方法的有效性,并针对数据驱动模型的样本构造和参数确定的联合优化问题进行实例验证,实验结果表明所提方法具有可行性和有效性。3)针对求解耗时的多目标函数优化问题,提出一种基于多代理模型的多目标粒子群优化算法。该算法采用Pareto主动学习方法将候选解分类成Pareto最优解和非Pareto最优解。为了平衡Pareto主动学习方法的预测精度和分类成本,提出一种改进的Pareto主动学习分类策略。此外,为了提升候选解的质量,提出一种基于模拟进化的混合变异采样方法。在此基础上,分类得到的Pareto最优解通过更新外部存档,实现对粒子群算法的引导,而粒子群算法的寻优历史信息用于更新代理模型。最后通过标准测试问题对所提方法进行有效性验证,并将所提方法应用于基于多入多出最小二乘支持向量机模型的参数确定问题中,实验结果表明所提方法具有工程实用性和有效性。4)结合贝叶斯优化方法和启发式技术,提出一种基于自适应代理模型的并行优化算法。考虑到辅助优化多点期望改善判据难于获得解析解,采用启发式优化方法,将基于多点期望改善判据的辅助优化问题转化为基于单点期望改善判据的辅助优化问题,降低辅助优化的计算复杂度。此外,采用数据分区方法对输入空间分区,一方面构造多个局部代理模型,提出一种基于自适应代理模型的单点期望改善判据,提升采样的准确性;另一方面提出一种分层优化方法,通过在整个输入空间和局部子空间中混合搜索,提升优化器的效率。为了降低真实函数的评价成本,采用分布式并行技术对获得的查询点的真实函数值进行并行计算。最后针对标准测试问题,从分区设计、多点采样和实验比较等方面验证了所提方法的有效性;并通过数据驱动模型的参数确定问题验证了所提方法在求解速度方面的优越性。