LF炉已成为二次精炼过程中的关键设备之一,对调整钢液成分,特别是对合金成分的控制起重要作用。因此,合金成分控制现已成为LF炉的主要研究对象之一。在LF炉炼钢生产过程中,按不同的钢种要求,需要添加合金对钢水成分进行调整,以便使冶炼的钢水达到钢种要求的目标成分。由于每种合金由几种不同的元素组成,不同合金可能有相同的元素成分,所以存在多种加料方案,因此,为了精确地实现成分目标要求与合金成本最小化,本课题采用单纯形法建立最优加料模型,以便使钢液成分达标的同时合理地优化合金加料方案,达到控制钢液终点成分与降低加料成本的目的。然而,合金化模型的精确度很大程度上依赖于合金元素收得率的计算,因此要想获得精确的合金化模型,必须要精确地计算出合金元素收得率,在LF炉精炼过程中,影响元素收得率的因素很多,如钢水温度,脱氧度等,其关系非常复杂,对于这种具有多变量、时变、非线性、耦合、大惯性、大滞后特点的系统,常规的建模方法难以取得理想的效果,因此,本课题采取BP神经网络建立合金元素收得率预测模型,克服了建立合金元素收得率模型的难点。在BP神经网络所建立的预测模型基础上,引进标准粒子群对其进行优化,改进BP神经网络的收敛速度不高的缺点,PSO算法简洁而容易实现,早期收敛速度快,可以克服神经网络收敛慢的问题,并且提高了收敛精度,但PSO算法后期会受随机振荡影响,使其在全局最优值附近需要较长的搜索时间,收敛速度慢,极易限于局部极小值,使得精度降低,易发散,因此在粒子群算法的基础上加入模拟退火算法,克服了算法易陷入局部极小值的缺点,并利用MATLAB软件对BP网络,粒子群优化BP网络,SA-PSO优化BP网络进行仿真实验,并比较仿真结果。