现实生活中处处存在多目标优化问题,与单目标优化问题不同,这种问题通常涉及到多个互相冲突的优化目标。因此,多目标优化问题的解通常是一组互相折衷的解集。进化算法源于自然中生存进化的思想,由于其基于种群的性质而广泛应用于求解多目标优化问题。然而真实的优化问题往往涉及到并不简单的目标函数评估,如计算昂贵的数值模拟实验或物理实验。不幸的是,传统的进化算法并没有考虑到这一点,而是建立在直接进行目标函数评估的不切实际的假设上。这极大地阻碍了进化算法在现实世界中的广泛应用。为昂贵的目标函数建立一个代理模型已经被证明可以有效地帮助进化算法克服这一障碍。这类算法称为代理模型辅助进化算法,在优化过程中使用代理模型替代原本的真实目标函数评估,大大缩减了所需的函数评估次数。然而,它们的有效性大多集中在决策变量数目小于10的小规模问题上。随着决策空间维度的升高,多数代理模型辅助算法的表现会出现不同程度的退化。代理模型辅助进化算法的可扩展性尚未得到充分的研究。本文提出了一个高斯过程辅助进化算法用于解决中等规模的昂贵多目标优化问题。这个算法有三个主要步骤。首先,在代理模型构建阶段,这个算法不使用所有决策变量来构建代理模型,而是只使用与目标函数相关的决策变量来为每个目标函数构建代理模型,对于部分优化问题可以达成显著的降维效果。其次,算法不直接对代理目标函数进行优化,而是将原本的多目标优化问题转化为基于代理模型的另一个问题。基于高斯过程回归模型而构建的新问题不仅更加简单,也更好地达成了探索与开发之间的平衡。最后同时也是非常重要的一步,算法使用了一种子集选择方法来为真实的目标函数评估选择具有代表性的解,从而更新训练集。本文通过在10,20和50个变量的测试问题上的三个先进算法的对比,验证了本文算法的有效性。