预焙阳极的生产过程是一个工序复杂而且原料之间的反应机理比较不明确的过程。现在的国内外大多通过建立一般的数学模型等方法对质量进行控制,但是效果仍然不理想。神经网络算法是模拟人脑结构而开发出来的一种数学模型,它对预焙阳极生产中煅烧工艺参数和生块质量间复杂的关系问题,可以进行自适应的非线性映射。因此,神经网络算法在预焙阳极生产中的应用是非常必要的。根据煅烧生产工艺参数与生块质量评价参数间的关系模型研究的课题需求,重新归纳和设计从而形成了混合遗传模拟退火算法(GASA算法)。使之既拥有了遗传算法较强的全局搜索能力,又拥有了模拟退火算法较强的局部搜索能力。同时,本文将GASA算法用于优化BP神经网络算法的初始权值和阈值,从而形成GASA-BP算法。最后,本文以煅烧生产工艺参数作为输入,以生块质量的评价参数作为输出,应用GASA-BP算法形成生块质量与煅烧工艺参数间的预测模型。本文的具体工作和内容如下:(1)分析预焙阳极生产过程中不同工序之间的关系以及原料的作用,选择恰当的特征参数并对其进行数据采集和数据预处理工作。(2)研究模拟退火算法和遗传算法以及BP神经网络算法,根据其各自的特点进行优化,形成GASA-BP算法。首先本文通过遗传算法的相关操作从而获得初始子代种群,然后依次根据个体适应度值选择接受或者执行Metropolis准则,将处理后得到的子代个体群作为最终的子代种群。同时这个过程还要根据迭代次数和终止条件一直重复,这就是GASA算法。然后,由于BP神经网络算法中初始权值和阈值对最终的预测结果产生较大负面影响,使用GASA算法搜索其解空间内的最优解,提高BP神经网络模型的预测准确率,即GASA-BP算法。(3)运用软件工程的设计思想,采用SSM集成架构和GASA-BP算法,设计和实现生块质量与煅烧工艺参数间关系的预测系统。系统设计的目的是分析煅烧工艺参数和生块质量之间的关系,并对结果以表格和图形等方式进行展示,为企业生产过程中的参数决策提供参考。