现代化工业生产的一个重要特点是向大型化和自动化方向发展。复杂工业过程正常情况下,各种参量是基本稳定的,但由于慢扰动、设备老化等原因,整个生产过程会偏离最优点。因此,在寻找和维持工业的最优工况,提高工厂经济效益的过程中,稳态优化起着关键性的作用。目前,稳态优化控制的重点在于如何合理建立数学模型,并采用先进的方法优化系统参数。本文以稳态工业生产过程为背景,对粒子群优化算法(Particle Swarm Optimization,PSO)及其在工业过程优化中的应用进行了研究。粒子群优化算法因其简洁性,易于实现,所需参数少,不需梯度信息等优点,成为智能领域的新研究热点,其理论研究工作目前还处于起步阶段。但对于复杂的多峰值优化控制问题,该算法易于使问题的解陷入局部极值。为克服其可能陷入局部极值,提高收敛速度,本文在基本粒子群优化算法的基础上,结合禁忌搜索和模拟退火算法的思想对算法进行了改进,并引入了指数递减惯性权值和收敛因子。通过对标准测试函数的仿真,验证了算法的有效性。由于当今工业系统的控制目标多元化、变量数目增多、存在着多种约束,使用传统的建模方法难以建立严格的系统模型。径向基函数神经网络(Radial Basis Function Neural Network,RBF)是一种典型的局部神经网络,其结构简单、学习速度快、具有最佳逼近能力。本文采用径向基神经网络建立模型,并通过非线性函数进行了验证。最后,以过氧化氢异丙苯(Cumene Hydroperoxide,CHP)分解过程为背景,在不需要改建或扩建设备而利用原有设备的基础上,应用RBF神经网络建立系统模型,并用改进的粒子群优化算法优化工艺参数。仿真结果证明,该方法可以达到减少能源消耗、降低成本、提高产量的目的。