代理モデルを用いた進化的アルゴリズム（SAEA）は、計算コストが高い黒箱最適化問題に広く活用されています。しかし、既存のSAEAは手動で設計された固定的なコンポーネントに依存しており、異なるタスク間での柔軟性や汎化性能に限界があります。このような課題に対して、メタ黒箱最適化（MetaBBO）は、アルゴリズムのコンポーネントを適応的に構成する有望なパラダイムとして注目されています。 本研究で提案されるAdaE-SAEAは、高コスト多目的最適化のための適応型アンサンブル代理モデル支援進化的アルゴリズムです。このアプローチは、MetaBBOフレームワーク内にSAEAを組み込み、インフィル基準とアンサンブルベースの代理モデリングを統合的に制御します。特にバギングとブースティングを代理モデリングの手法として設計し、探索の異なるフェーズにおけるロバスト性と精度のバランスを自動的に調整します。同時に、メタポリシーがインフィル基準を選択することで、適応的なサンプリング判断を可能にします。 メタポリシーは強化学習により訓練され、並列サンプリングと集中訓練を採用することで、訓練効率と転移可能性の両方が向上します。合成問題と実世界の問題に対する実験結果は、AdaE-SAEAが最先端のベースライン手法およびMetaBBOベースの既存手法を上回る性能を示すことを実証しています。さらに、基本となる代理モデルとしてTabPFNの有効性も確認されました。本研究は、SAEAにおける代理モデリングとインフィル基準の制御を統合しながら、ロバスト性と精度のトレードオフに明示的に対応した初めての研究です。