高炉生产作为钢铁生产过程的上游工序，其能耗巨大约占钢铁工业的总能耗的70%，所以高炉冶炼是钢铁工业实现绿色发展的主要潜力所在。而高炉铁水硅含量作为衡量铁水质量的主要指标，同时与炉温成正相关，对其准确建模是实现高炉高效控制和实现节能减排的必要条件。因此，本文针对高炉铁水硅含量预测模型展开研究，并针对模型中一些关键参数无法确定的问题，提出一种改进的灰狼优化算法进行优化，建立了高炉铁水硅含量预测模型，其主要内容如下：
　　首先，针对高炉铁水硅含量预测模型输入选择这一关键问题，通过分析高炉内硅的迁移行为，获得高炉各个变量与铁水硅含量的机理关系；通过对变量间的相关性分析，得到相应变量与硅含量的相关性大小和滞后时间，为预测模型输入变量的选择奠定了基础。
　　其次，为了优化高炉铁水硅含量预测模型参数，提出一种改进灰狼优化算法。通过嵌入一种最优最差正交反向策略，构建部分维度上取反向值的正交反向候选解，充分挖掘了个体和反向个体在不同维度上的有利信息；通过在标准测试函数上进行仿真对比研究，验证了本文所提出的改进灰狼优化算法的优越性。
　　再次，在综合常用核函数特性并权衡模型精度与计算复杂度的基础上，构建融合三种核函数的多核极限学习机，并基于改进的灰狼优化算法优化核函数的加权系数；将所得到的优化参数输入到多核极限学习机模型中，建立了高炉铁水硅含量预测模型；基于现场实验数据的仿真结果表明，本文所提出的基于改进灰狼优化算法的多核极限学习机具有较好的预测效果。
　　最后，针对高炉多炉况问题，利用聚类算法将高炉预测系统的输入输出数据分类（每类代表一种炉况），并使用所提出的基于改进灰狼优化算法的多核极限学习机对每种炉况进行建模，将所有模型合并得到多炉况高炉铁水硅含量预测模型；仿真对比结果表明，本文所提出的多炉况高炉铁水硅含量预测模型的预测效果优于未考虑炉况的高炉铁水硅含量预测模型。