快速学习网(Fast Learning Networks,FLN)是一种学习速度快、泛化性能良好的双并联非迭代学习神经网络;非支配排序精英遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)是一种由遗传算法发展而来的多目标智能优化算法。它们能够解决复杂系统的建模和优化问题,已被应用于多种领域。本文对FLN和NSGA-II进行深入研究,针对其不足进行改进,并将其应用于篦冷机模型辨识和参数优化中,同时融合篦冷机内熟料换热机理,优化水泥熟料换热参数。不仅对篦冷机换热效率的提高具有重要的理论指导意义,而且拥有广泛的应用前景和巨大社会效益。本文的主要研究内容描述如下:首先,为了提高原始FLN的非线性映射能力,推导原始FLN的核方法,针对其在大样本集中核矩阵维数过高问题,利用简化的核矩阵替代推导得出的核矩阵,提出简化核方法的快速学习网(Reduced Kernel Fast Learning Network,RKFLN),并基于贝叶斯回归推导其非迭代训练算法,从而提出稀疏贝叶斯简化核方法快速学习网(Sparse Bayesian Reduced Kernel Fast Learning Network,SBRKFLN),通过与其它几种著名的快速学习模型的仿真对比,验证SBRKFLN的有效性和优越性。基于递归最小二乘法提出一种针对回声网络的在线型训练算法(Recursive Least Squares based Echo State Networks,RLS-ESN),并利用非线性自回归滑动平均(Nonlinear Auto Regressive Moving Average,NARMA)模型的数值仿真验证其有效性。其次,针对目前多目标非支配排序精英遗传算法多样性导致的种群早熟和个体分布不均的问题,提出一种自适应多种群融合的非支配排序遗传算法(Adaptive Multipopulation Non-dominated Sorting Genetic Algorithm II,AMP-NSGA-II)。将单一种群划分多个子种群,并设计多种群之间的协调与竞争算法过程,从而保持个体的多样性。让优势种群得到更多繁衍机会,模拟现实世界中的种群竞争,同时让劣势个体与优势个体之间存在依附关系,模仿现实世界中的物种共生。所设计的种群进化方式能够在保持个体多样性的同时使个体分布更加均匀。利用多目标基准测试问题验证该算法具有较好的收敛性能和较强的适应能力。再次,以某水泥生产线中的篦冷机作为研究对象,针对其高温熟料换热过程的工作原理和各项参数的影响进行定性分析。基于热力学第二定律,建立篦冷机熟料换热过程中不可逆损失的能量损耗模型。在预设一些参数的基础上,利用提出的AMPNSGA-II算法对篦冷机修正的熵产数进行优化,获得能量损耗的Pareto前沿。最后,分别利用SBRKFLN和RLS-ESN建立篦冷机回收的二次风温度和排出熟料温度的辨识模型,仿真实验证明所提出的算法能准确地预测出二次风温度和排出熟料温度。基于建立的二次风温度模型和熟料温度模型,利用AMP-NSGA-II进行篦冷机参数的优化,同时利用能量损耗Pareto前沿进行距离判定,筛选篦冷机的最优参数组合,使篦冷机在最佳换热参数下运行,从而达到提高篦冷机热效率,提高能源利用率的目的。