钢铁工业在国民经济发展中占据重要地位。传统钢铁企业存在对市场需求变化响应缓慢、资源配置低、供应链维系成本过高等缺点。因此较为准确的预测冶金产品原料的需求量,为钢铁企业提早掌握市场动向和统筹安排生产提供依据显得尤为重要。铁矿石是钢铁工业的主要生产原料,其需求预测是一个与多种因素有关的复杂的非线性问题。目前国内外需求预测方法主要有定量法、定性分析法、比较调整法、专家调整法等,上述方法存在预测误差较大、主观成分较多等缺陷。因此本文选用BP(Back Propagation)申经网络建模进行预测。铁矿石需求量的影响因素较多,有粗钢产量、钢材当年价格、固定资产投资、居民消费支出、国内铁矿石产量、铁矿石国际协议价变化率、国内生产总值、国家进口铁矿石量等,为从诸多因素中选取主要影响因素,作为预测模型的输入向量,从而降低模型的复杂度,本文引入主成分分析法。模型采用三层网络拓扑结构,通过试凑法确定网络层数及节点个数。并采用拟牛顿算法对传统BP神经网络进行改进,使BP网络的收敛速度加快的同时收敛精度也得以提高。同时,本文将遗传算法与BP神经网络结合,利用遗传算法的全局搜索能力优化BP网络的初始权重,有效地克服了BP算法的不足和缺陷,并建立铁矿石需求预测模型。实验表明,所建立的模型达到了较好的预测效果,能使钢铁企业在面对不确定性时具有及时响应市场变化和客户需求,调整生产和销售计划,分摊或规避相关库存风险的能力,从而达到柔性管理的目的。