金属的热处理（Heat Treatment，HT）技术直接影响金属制品的性能。若使用传统热处理技术会导致被加热带材各部分加热速度快慢不均，进而产生带材各部分的氧化程度不同，甚至会导致带材局部温度过冷或过热使带材变形损坏等严重问题。为解决这些问题，新的热处理技术应运而生。行波感应加热（Traveling Wave Induction Heating, TWIH）除具有传统感应加热技术的优点外，能够产生比传统感应加热更均匀的温度分布，而且还具有振动小和工业噪音低等显著优点。虽然行波感应加热技术具有如此之多的优点，但是其尚处于理论研究阶段，诸多问题有待进一步研究。本文在查阅大量相关文献资料以及研究总结前人研究成果的基础上，建立起行波感应加热装置三维模型，利用ANSYS软件实现了对行波感应加热装置涡流场、温度场两个物理场的耦合分析计算。为使被加热带材薄板出口处温度分布更加均匀，建立行波感应加热装置优化模型；解决了改进人工搜索群算法程序与ANSYS软件之间数据接口问题，并利用改进人工搜索群算法（ImprovedArtificial Searching SwarmAlgorithm，IASSA）对行波感应加热装置进行优化设计。人工搜索群算法（Artificial Searching Swarm Algorithm，ASSA）作为一种新型的仿生智能优化算法，通过模拟人类士兵执行某一特定搜索任务，并执行相应的规则找到搜索目标，从而解决相应的优化设计问题。文中总结了人工搜索群算法的基本原理和实现步骤；进行了一系列复杂函数的性能测试；详细分析了各参数对算法收敛速度和寻优能力的影响。根据各参数对算法性能影响的分析结果以及参考相关文献的基础上，改进步长参数，引入动态步长，提出改进人工搜索群算法。随后对其进行一系列复杂函数的性能检测，检验结果验证了改进算法的有效性。为解决优化求解过程中因计算量浩大而引起的求解时间过长的问题，文中探索利用人工神经网络（Artificial Neural Network，ANN）的预测能力，通过均匀实验利用ANSYS有限元计算得出的单元焦耳热密度数据作为训练样本，训练神经网络预测带材薄板表面单元焦耳热密度的平均相对误差。以训练好的神经网络代替ANSYS的电磁场正问题计算，再与改进人工搜索群算法结合，对行波感应加热装置进行优化求解。通过这个思路可以减小优化求解过程中的计算量，进而缩短优化求解时间。为解决电磁场逆问题计算量浩大的问题做了有益尝试。