钢坯的出炉温度直接影响钢坯的组织性能和力学性能。合理控制钢坯出炉温度不仅能保证轧制质量而且能够降低加热炉燃料的消耗,特别是在能源日益紧张的今天,建立有效的加热炉钢温模型,推算钢坯的出炉温度具有重要的意义。本文以蓄热式步进梁加热炉为研究背景,介绍了加热炉的工艺过程和智能优化方法的基本原理。针对传统建模方法存在计算复杂、参数繁多且难以确定等问题,本文采用了RBF神经网络智能方法建立预报模型,并用K均值聚类(K-means)、微分进化(DE)和正交最小二乘(OLS)方法分别对该模型进行优化。MATLAB仿真证明了这四种预测模型的有效性,但仍存在一定问题,对此本文提出了一种新的基于微分进化正交最小二乘算法(DEOLS)与RBF神经网络相结合的钢温预测模型。DEOLS算法将DE与OLS自然融合、相互作用,OLS利用DE对隐节点中心和宽度进行编码,以解码后得到的隐层输出阵作为备选集；DE利用OLS快速评判种群个体的优劣。该算法能更合理地确定RBF模型的隐节点个数、中心和宽度,明显地减少迭代操作次数。利用加热炉数据对模型仿真,结果表明本文提出的DEOLS-RBF预测模型能有效地克服单纯RBF网络模型误差大、K-means-RBF模型工作不稳定、OLS-RBF模型网络庞大和DE-RBF模型操作次数繁多等缺点,这充分证明了微分进化正交最小二乘算法在复杂问题的处理上,具有比单一算法或其它启发式搜索方法更高的优化效率和质量。结果也为今后钢温数学模型的研究提供了一种有益的尝试。