复杂产品通常由多个部件组成,且这些组件间彼此影响、相互作用,使得整个设计优化过程极为复杂。计算机仿真技术是求解这一类问题的有效手段之一。该技术通过建立对象问题的数字化模型,并借助计算机实验来模拟物理实验过程,随后采用迭代寻优实现问题最优解的获取。然而随着人们对产品性能要求的不断提升,仿真模型的精度越来越高,仿真过程所耗费的时间成指数增长,严重阻碍了这项技术在工程实践中的有效应用。为了解决这个问题,许多学者提出了基于近似模型的设计优化方法(Surrogate Based Design Optimization,SBDO),SBDO通过近似模型技术代替复杂耗时的计算机仿真分析,并辅以合适的优化求解策略,达到降低计算资源耗费和减轻设计问题复杂程度的目的,在工程应用中表现出巨大的潜力。基于模型聚合和序列采样的产品设计优化方法作为一种SBDO方法,利用聚合模型高精度和高鲁棒性的优势、序列采样方法对样本集合的合理配置特性、以及符合工程设计特点的协调分解策略,为产品的设计优化问题提供了有效的解决手段。该方法采用聚合模型代替计算成本高昂的隐式目标函数或约束条件,作为整个优化过程的基础；使用序列采样过程实现样本集合的合理配置,保证了聚合模型的精度；通过建立在聚合模型基础之上的协调分解策略,为优化问题提供了高效灵活的求解手段。因此,近似模型的聚合技术、基于近似模型的序列采样技术和产品设计优化的协调分解技术构成了基于模型聚合和序列采样的产品设计优化的核心关键内容。本文将围绕这三方面展开进一步研究：首先,介绍了基于模型聚合和序列采样的产品设计优化方法涉及的相关数学模型,给出了与本文相关的概念和术语,阐述了现有研究的不足,并在此基础上提出了基于模型聚合和序列采样的产品设计优化研究框架。其次,提出了全局和局部混合加权的聚合建模方法(ES-HGL)。预测点处的权重值根据其在设计空间的位置按照全局或局部方法计算,随后根据单一权重值计算方法的缺点对求得的权重值进行修正。由于不同权重值计算方法均基于相同的误差矩阵,因此ES-HGL聚合建模方法可以在计算量和单一权重值计算方法相近的情况下得到精度和鲁棒性更高的聚合模型,为后续优化过程提供坚实的模型基础。再次,提出了基于Voronoi空间划分和自适应采样半径的序列采样方法(ASR-Voronoi)。将填充点的位置限制在敏感Voronoi单元内,使填充点始终位于模型误差较大的区域,保证了序列采样过程的稳定性。考虑到现有方法灵活性的不足,引入自适应采样半径的概念。通过采样半径的大小来反映近似模型拟合的难易程度,并以此实现了填充点在敏感Voronoi单元内的自由配置,平衡了开采和勘探策略的均衡性。ASR-Voronoi方法是一种近似模型更新策略,保证了聚合模型在有限样本集合下具有较高的预测精度,为优化求解过程提供了更高精度的聚合模型。接着,提出了基于组合物理规划的目标级联分析方法(ATC-CPP).该方法试图改善目标级联分析方法在求解产品设计优化问题时为了严格满足一致性约束条件而造成求解效率低下的问题。通过引入组合物理规划方法,根据目标级联分析优化框架的需求,部分简化了偏好度函数的函数曲线形式,同时对综合目标函数进行了修正,使优化过程和解决方案更加符合工程设计习惯。然后,提出了基于模型聚合和序列采样的产品设计优化的集成优化框架,并将相关方法成功应用于某超重型数控机床的设计优化中,结果表明本文所提出的方法能有效解决产品的设计问题。最后,对全文的研究工作做了总结,并对未来的研究方向展开了一定的设想。