传统进化算法高度依赖目标函数的真实评估,而昂贵多目标优化问题却往往存在巨大的评估成本,所以必须借助代理模型辅助进化算法来求解这类问题。代理模型辅助的进化算法是一种数据驱动方法,可以在一定程度上缓解成本灾难问题。尽管这种方法能够有效解决黑箱问题,但代理模型的建模精度同样高度依赖于已知数据中的先验信息,且建立这种高精度的代理模型本身就具有较高难度,这为问题的求解带来了额外的高昂建模成本。本文主要研究目标函数差值预测以及差值预测样本集的简化策略,提出了差值样本的构建策略以及目标函数差值预测的方法,通过目标函数差值计算候选解之间的Pareto优劣关系以完成Pareto非支配解集的求解。另外,本文研究了Pareto优劣性的预测方法和目标函数差值预测的特性,提出了目标函数差值样本的约简策略,发现了将已知样本和未知样本构建为差值样本存在着预测优势,为目标函数差值预测方法在后文的集成应用奠定了基础。目标函数差值预测的本质是一种黑箱函数差值的标量预测,它替代了传统Pareto优劣性预测的二级矢量预测方法,从而降低了代理模型的学习难度。但在方法的推广上,目标函数差值样本的高度复杂性会带来额外的计算成本。而为了应对这个问题,本文提出了基于K均值聚类的子空间划分策略,并且在仿真实验中证明了该方法能够在尽可能小的精度损失前提下,有效降低代理模型的计算成本。通过分析该方法的优劣与目标函数差值样本的特性,本文进一步提出了训练样本集的约简算法,并通过实验证明了样本集约简算法的有效性,将目标函数差值预测方法成功应用于Kriging模型上,取得了较高的预测精度。为了验证目标函数差值预测方法的可行性,本文选取了与目标函数差值预测适配性较高的SPEAⅡ算法框架,将目标函数差值预测方法与Kriging回归预测模型集成,得到了改进的OR-SPEAⅡ算法。实验证明,在ZDT和UF系部分二目标测试问题中,OR-SPEAⅡ算法能够求解得到可接受的Pareto前沿,并且对比其他几种EMOEA,也取得了一定的优势,证明了目标函数差值预测方法的可行性。