Para problemas intensivos en computación, los algoritmos evolutivos basados en datos (DDEAs) son ventajosos para presupuestos computacionales bajos porque construyen modelos sustitutos basados en datos históricos para aproximar la evaluación costosa. Los problemas de optimización del mundo real son altamente susceptibles a datos ruidosos, pero la mayoría de los DDEAs existentes se desarrollan y prueban en entornos ideales y limpios; por lo tanto, su rendimiento es incierto en la práctica. Con el fin de descubrir cómo los DDEAs se ven afectados por datos ruidosos, este documento estudió empíricamente el rendimiento de los DDEAs en diferentes entornos ruidosos. Para cumplir con el propósito de la investigación, implementamos cuatro DDEAs representativos y los probamos en problemas de referencia comunes con simulaciones de ruido de manera sistemática. Específicamente, la simulación de entornos ruidosos consideró diferentes niveles de intensidad y probabilidad de ruido. El análisis experimental reveló las relaciones de asociación entre entornos ruidosos, problemas de referencia y el rendimiento de los DDEAs. El análisis mostró que el ruido generalmente causará un deterioro en el rendimiento de los DDEAs en la mayoría de los casos, pero los efectos podrían variar con diferentes tipos de paisajes de problemas y diferentes diseños de DDEAs.