本文以中国石化股份公司九江分公司2#催化裂化MIP装置为研究对象,采用数据挖掘技术来建立产品分布的优化模型。根据MIP工艺的反应机理和特点,选取了装置的工艺位点,包括原料油性质、再生剂性质和操作变量,采集了这些位点的工业实时操作数据,并进行原始数据的预处理。使用K-means聚类法和模糊c均值聚类法建立了原料油性质的聚类模型,并以聚类模型为基础建立了产品分布优化模型,旨在找到加工某一性质原料油的历史最优操作条件,结果表明,两种聚类方法对原料油性质的聚类都有较好的适用性。使用Pearson相关系数法约简建模变量,并在此基础上采用BP、RBF和GRNN三种神经网络建立了产品收率的模型,结果表明,BP和GRNN神经网络优于RBF神经网络。以所建立的产品收率的BP神经网络为基础,预测计算了原料油温度、反应温度、反应压力、回炼油量和预提升蒸汽量对产物分布的影响。采用PSO和GA算法优化了单纯考虑汽油收率最大时的操作条件,结果表明,操作条件的优化值与催化裂化的工艺实际情况相符,且两种方法都有较好的适用性。采用GA算法实现了使汽油收率最大、焦炭收率最小的多目标优化,与单纯优化汽油收率相比,虽然汽油收率有所下降,但是焦炭收率有较大幅度下降,整体优化结果较为理想,可以用于指导实际工艺操作条件的优化。