锅炉作为现代电能供应链中必不可少的一环,近年来很多学者无论是在锅炉的工作效率方面还是在锅炉燃烧产生的氮氧化物对环境造成影响方面都做了大量的研究。面对日益减少的煤炭资源,相比于传统锅炉,循环流化床锅炉在节省原料方面有着较为明显的优势。相对的,其结构和工作过程比较复杂,难以用传统的建模方法来建立其数学模型,人工智能算法的研究为循环流化床锅炉燃烧工况的建模提供了便利。本文以某火电厂300MW的循环流化床锅炉为背景,对鸟群算法进行了改进,还对锅炉参数整定与优化进行了研究。具体内容如下:首先,将量子行为与鸟群算法结合并加入自适应系数对鸟群算法进行改进,并与基本的鸟群算法、差分算法、粒子群算法进行比较,结果证明改进后的鸟群算法具有更好的寻优精度和更快的收敛速度。其次,用改进后的鸟群算法进行锅炉参数的整定。为了解决锅炉参数整定问题,结合快速学习网,以锅炉现场运行数据为输入量,整定快速学习网的权值和阈值,建立锅炉燃烧NOx排放和热效率的综合模型。实验结果证明:改进的鸟群算法具有较好的泛化能力和数据寻优能力。最后,用改进后的鸟群算法进行锅炉工况优化,优化分为单独以氮氧化物排放量、热效率为输出的单目标优化和以二者同时作为输出的多目标优化。实验结果证明:优化后降低了氮氧化物排放浓度,提高了锅炉热效率,说明改进的鸟群算法在锅炉参数整定与优化中的应用具有较高的精度和泛化能力,体现了其工程实用价值。