随着工业过程自动化水平的提高，人们已不仅仅满足生产装置的稳定运行，而对提高生产效率、提高产量和质量以及降低消耗提出了越来越高的要求。工业过程稳态优化控制是过程系统取得经济效益的重要保证。传统的基于模型的稳态优化方法的基础是系统的精确数学模型，而许多过程对象呈现很大程度的非线性，内在机理十分复杂，很难直接从机理揭示其内在规律；另外随着工业过程复杂程度的提高，要建立过程系统的精确数学模型十分困难。因此探索无需对过程有深入了解，通过非机理方法对复杂系统建模和优化控制的方法受到过程控制界越来越高的重视。 本论文研究了基于神经网络非线性建模方法，以及在神经网络建模基础上的优化技术，主要研究的优化算法是遗传算法、SQP数值算法和Hopfield神经网络方法，这些方法能解决工业过程的稳态优化问题。本论文的主要研究结果如下： ●针对BP算法易陷入局部最小和收敛慢的缺点，提出了一种新的改进方法 ------权值平衡法，充分发挥神经网络各个权值对网络训练的贡献。仿真 表明这是一种非常有效的方法，并利用改进的神经网络对工业生产过程进 行了稳态模型辨识。 ●对遗传算法提出了混合遗传算子的改进方法，主要是精选选择策略和结合 局部搜索寻优两方面的改进，仿真表明，改进后能加快遗传算法的收敛速 度。 ●用NN-GA方法对实际化工生产过程进行了优化，结果表明大大优于传统 的正交试验分析法。 ●提出了NN-SQP稳态优化方法，是基于BP神经网络建模基础上的SQP优 化方法，对工业生产过程进行了优化控制，取得了较好的效果。 ●针对大工业过程分解协调方法的协调层和局部优化层之间反复迭代的问 浙江大学博士学位论文 题，提出了在BP神经网络建模基础上的HOpfield网络递阶优化方法，并 对网络参数选择进行了研究。 最后，在总结全文的基础上，提出了有待进一步研究和探索的一些问题