工业过程的工况(或操作条件)是由控制器进行闭环反馈控制的。环境的变动、设备的老化以及原料成分的变动等因素形成了对工业过程的慢扰动,为此应该根据某些指标规定不断改变控制器的设定值,使工业过程保持在最优工况以增加产量、减少原材料和能源消耗,以及提高产品质量,这是工业过程优化的目的。然而,怎样建立准确的系统模型和找到一种有效的优化算法来完成优化设计方案是优化的两个关键的问题。针对工业过程的复杂性、非线性和不准确性,本文采用人工神经网络来智能建模。人工神经网络不仅可任意逼近非线性,且具有大规模并行处理、知识分布存储、自学习能力强、容错性好等特点,其中的多层前向神经网络可以以任意精度逼近任何连续函数,典型的有广义回归神经网络(General Regression Neural Network, GRNN),其结构简单、训练简洁,而且学习收敛速度快。基于上述优点,本文选用广义回归神经网络,并对传统的广义回归神经网络进行了改进,提出了一种基于粒子群算法的结构参数优化的旋转广义回归神经网络,并通过实验仿真来验证它的有效性。为获得准确的优化参数,本文采用粒子群优化算法来寻找网络结构参数的最优值,这种方法不仅能准确地拟合、预测,还能避免人为选取网络结构参数的缺陷,最后,应用于两个例子的仿真。本文以黑龙江华安工业(集团)公司炮弹自动注药生产线为研究背景,由于此生产线的现场试验数据无法采集,只能结合生产工艺的要求来确定优化参数和目标。利用本文提出的方法建立模型,通过实验证明了算法的有效性。