En los últimos años, se han propuesto una variedad de algoritmos evolutivos basados en datos (DDEAs) para resolver problemas de optimización que son consumidores de tiempo y computacionalmente intensivos. Los DDEAs suelen dividirse en DDEAs offline y DDEAs online, siendo los DDEAs offline los más estudiados y demostrados que muestran un excelente rendimiento. Sin embargo, la mayoría de los DDEAs offline sufren de tres desventajas. Primero, requieren muchos sustitutos para construir un modelo relativamente preciso, lo cual es un proceso redundante y que consume tiempo. Segundo, cuando las evaluaciones de aptitud disponibles son insuficientes, su rendimiento tiende a no ser completamente satisfactorio. Finalmente, para hacer frente al segundo problema, muchos algoritmos utilizan métodos de generación de datos, lo que aumenta significativamente el tiempo de ejecución del algoritmo. Para superar estos problemas, proponemos un nuevo DDEA con redes de funciones de base radial como sus sustitutos. Primero, inventamos un algoritmo rápido de generación de datos basado en clustering para ampliar el conjunto de datos y reducir los errores de ajuste. Luego, entrenamos redes de funciones de base radial y llevamos a cabo un diseño adaptativo para sus parámetros. Luego, agregamos las redes de funciones de base radial utilizando un marco de gestión de modelos único y demostramos su precisión y estabilidad. Finalmente, se obtuvieron evaluaciones de aptitud y se utilizaron para la optimización. A través de experimentos numéricos y comparaciones con otros algoritmos, se ha demostrado que este algoritmo es un excelente DDEA que se adapta a problemas de optimización de datos.