L-赖氨酸发酵过程是一个复杂非线性、强耦合、大时变系统,为最大限度提升L-赖氨酸的生产效率和产品品质,迫切需要利用先进控制技术对L-赖氨酸发酵过程进行动态调控和实时优化,将其控制在最佳工艺条件下进行生产。然而由于涉及菌种的生长繁殖、代谢过程,L-赖氨酸发酵过程存在的复杂特性造成了优化运行控制的困难:（1）L-赖氨酸发酵过程内部机理十分复杂,动力学模型呈高度的非线性,难以建立能够准确描述其菌种生长、代谢过程动力学特征的数学模型;（2）发酵过程的动力学特征参数随反应时间或批次的变化而变化,传统的、以动力学为基础的控制方法已难以满足控制性能要求;（3）反映L-赖氨酸发酵过程品质的菌体浓度、基质浓度、产物浓度等关键参量目前还缺乏有效的在线测量手段,成为制约优化运行控制的瓶颈问题。目前对这些关键参量的检测主要采用离线采样分析的方法,存在较大的测量延时,难以实施实时控制,同时取样过程中发酵液易受杂菌污染,严重影响L-赖氨酸的生产过程。L-赖氨酸发酵过程的优化运行控制主要通过对一些环境参量（如溶氧浓度、p H、温度等）的检测,凭借工人经验和感官进行手动操作,自动化水平低,技术落后,无法满足L-赖氨酸发酵过程优化运行控制的要求,且生产过程中错误和故障不易及时发现,造成原材料的浪费和设备的空转,严重制约着L-赖氨酸产业的规模化、集约化进程,因此,如何克服以上问题带来的缺陷成为L-赖氨酸产业界亟需解决的问题之一。针对L-赖氨酸发酵过程中非线性、多变量、强耦合以及关键参量难以在线检测等特点,本文在国家自然科学基金（41376175）、江苏高校优势学科建设工程项目（PAPD）、镇江市重点研发计划-社会发展项目（SH2020005）的资助下,围绕L-赖氨酸发酵过程关键参量软测量、非线性模型预测控制方法等问题,开展L-赖氨酸发酵过程优化运行控制的研究,本论文的具体研究内容如下:论文提出ICS-MLSSVM混合型多输出软传感器建模方法,并将其应用在L-赖氨酸发酵过程的关键参量软测量中,实现对L-赖氨酸发酵过程关键生化变量（菌体浓度、基质浓度、产物浓度）的在线实时检测。首先,根据L-赖氨酸发酵过程的多输入、多输出特点,构建多输出最小二乘支持向量机回归器（MLSSVM）模型。然后,利用改进的布谷鸟搜索（ICS）优化算法对MLSSVM模型的重要参数（γ,λ,σ）进行优化。最后,利用优化后的模型参数值建立了ICSS-MLSSVM软传感器混合模型,在线实现了L-赖氨酸发酵过程的关键生化变量。仿真结果证实,所提出的回归模型能够准确预测关键生化变量。此外,混合ICS-MLSSVM软传感器模型在预测精度和适应性上均优于基于标准CS（CS-MLSSVM）、粒子群优化算法（PSO-MLSSVM）和遗传算法（GA-MLSSVM）的MLSSVM软传感器模型。本部分提出的软测量模型将应用于第四章模型预测控制系统中。针对L-赖氨酸发酵过程中流加速率难以实时控制的问题,提出了一种非线性模型预测控制（NMPC）方法。首先,基于机器学习算法（最小二乘支持向量机-LSSVM）建立了L-赖氨酸发酵过程非线性模型预测控制模型,将其用于非线性模型预测控制中作为过程模型预测产品浓度,然后,采用灰狼优化（GWO）算法优化LSSVM预测模型的关键参数（惩罚因子和核宽）以提高其预测精度,同时,GWO还解决了非线性模型预测控制中的非凸优化问题（GWO-NMPC）,用于计算未来最优输入。最后,结合关键参量软测量模型,将基于GWO的LSSVM预测模型（GWO-LSSVM）和非线性模型预测控制（GWO-NMPC）方法与基于粒子群优化（PSO）的预测模型（PSO-LSSVM）和非线性模型预测控制（PSO-NMPC）方法进行比较,验证其有效性。比较结果表明,与基于P S O的预测控制相比,基于G WO的预测控制的预测精度、适应性、实时跟踪能力、总体误差和控制精度都较好。