高炉冶炼过程是一个具有高度复杂性的工艺流程,其运行机制具有非线性、大时滞、大噪声、分布参数等多项特征。通过预测高炉炼铁过程中铁水硅[Si]含量,进而对高炉炉温进行有效的预测和控制,是保证高炉冶炼过程顺利进行的必要条件。已有诸多学者对高炉铁水含硅量的预测模型进行了大量研究。本文主要研究了求解多目标优化问题的一项新颖的进化算法,即Predator-Prey遗传算法(直译为：捕食者—猎物型遗传算法),并在此基础上从模型的复杂度和精度(训练误差)对高炉铁水含硅量的BP神经网络模型进行多目标优化,得出高炉铁水含硅量的BP神经网络模型的Pareto最优解集,并从其中选出合适的网络模型进行硅预测。本文主要内容分为5章,分别讲述以下5方面内容。第一部分主要介绍高炉炼铁工艺和高炉炉温预测的研究综述,对硅含量预测的命中率概念,时间序列预测模型,神经网络预测模型,遗传算法作了简要介绍；第二部分主要介绍了多目标优化问题,由于多目标优化较单目标优化有着本质的不同,在这一部分中,介绍了有关多目标优化解“最优”的相关概念,同时也论述了求解多目标优化问题的传统算法和进化算法,比较了二者的长处和不足,对用于解决多目标问题的经典进化算法(?)(?)sGA-Ⅱ做了详细的介绍；第三部分主要讲述Predator-Prey遗传算法(PPGA),作者研究了PPGA的各项算法策略,并对其进行实验比较,得出了设计算法的随机性确定性理论,提出了改进型Predator-Prey遗传算法,即(?)(?)PPGA算法；第四部分利用MPPGA对包钢841炉数据的BP神经网络建模进行多目标优化,得出了基于模型复杂度和精度的Pareto解集,从该解集中选出神经网络模型对[Si]做预测；第五部分为总结与展望,总结了本文研究成果,指出了本文研究不详尽的地方和后续研究的方向。