工业互联网环境工业软件系统具有规模庞大、涵盖的软件组件与设备实体繁杂异构等特点，在异构设备与软件对象统一的服务化组件化封装基础上，通过服务组件编排可实现多样化应用工业软件系统灵活敏捷构建，但对服务编排效率与服务质量保障方面具有较高要求。为提升工业互联网环境服务组件编排效率并保障服务质量，本文提出基于图神经网络与模糊理论的服务组件编排方法FGraphSAGE_GA，将工业互联网服务组件编排问题形式化建模为图结构中的链路预测问题，并采用监督学习方法实现预测模型训练。针对新的服务组件编排问题，训练后的模型进行概率预测缩小候选空间，随后使用遗传算法优化服务组件编排方案。在两个不同的数据集上，针对3种规模的服务组件编排问题开展实验与分析，证明了所提出的FGraphSAGE_GA算法在服务质量和编排效率方面具有良好性能。

现有基于代理模型的昂贵约束多目标优化算法存在两个问题，即使用回归模型拟合约束时带来的误差影响算法的搜索方向，以及目标函数存在不可拟合的情况时，回归模型拟合效果差。为解决这两个问题，提出一种分类模型与回归模型协同的昂贵约束多目标进化优化算法。该方法使用分类模型对搜索空间进行粗略划分，指导算法快速进入可行区域，减弱约束拟合误差的影响。使用回归模型在可行区域内优化目标函数。两种模型协同工作，分类模型提供概括的搜索方向，回归模型进行精细建模。这种模型的融合，既考虑了约束误差对算法的影响，也综合了目标函数的可拟合性问题，能更全面准确地描绘复杂问题的特征，从而提高算法的求解效率和效果，为进一步提升基于代理模型的昂贵约束多目标优化提供了一种协同建模的有效途径。