本文对热工过程中的数据校正(数据协调和显著误差检测)和多目标优化问题进行了研究,论文的主要内容为:1.研究和探讨了热工过程中的数据校正算法模型。建立了数据校正的基本理论模型,数据校正包括数据协调(参数估计)和显著误差检测,详细分析了基于矩阵投影的数据协调算法、基于数字滤波的数据协调算法,研究了基于测量残差的测量检验法、基于约束残差的节点检验法和整体检验法的显著误差检测与识别方法;研究了数据校正算法在电站系统性能在线计算中的应用,首次运用UML建模技术建立了热工过程中基于热力特性的数据校正类层次体系结构,使算法具有极强的继承性和推广能力。2.研究了多目标优化的算法模型。多目标优化问题的最优解与单目标优化问题的解有着本质上的不同,为正确求解多目标优化问题,建立了多目标优化问题的一般数学模型并对多目标优化问题的解的概念进行了定义。介绍了多目标优化问题的常规算法(线性加权和法、理想点法、主要目标法、分层排序法和分组排序法),研究了标准遗传算法及其改进策略,详细分析了当今Pareto概念意义下的多目标优化演化算法,提出了一种改进的Pareto多目标遗传算法。3.研究了多目标优化算法在锅炉燃烧优化中的应用。介绍了锅炉NOx生成机制、影响因素和控制方法,提出了一种改进的锅炉效率在线计算模型;在NOx影响因素分析和锅炉燃烧特性实验的基础上,建立了电站锅炉污染物排放的BP神经网络模型,并通过实验数据验证了网络模型,确认网络具有良好的泛化能力。并以此为基础,建立了电站锅炉NOx排放与效率的响应特性的神经网络型与函数型混合模型,在特性模型的基础上构筑了锅炉高效低污染多目标优化的目标函数,确定了相关的决策变量和约束条件,并首次运用多目标演化算法对其进行了求解,得到了Pareto前沿。对得到的Pareto非劣解集进行了分析,分析结果与相关的定性分析结论相一致,为电站锅炉燃烧优化调整提供了依据和指导。