烧结配料作为烧结生产前的的首道工序,烧结配料的优劣将直接影响到烧结矿的质量,进而影响到高炉的生产。烧结配料过程易受到铁矿石来源不稳定、烧结矿质量检测滞后等因素的影响,造成整个烧结配料过程极其复杂。因此,选择合理的烧结配料方案对于提高烧结矿质量、稳定烧结生产、降低生产成本均具有重要的意义。本文以冶金料场烧结配料问题为研究背景,建立了烧结配料优化模型,并且通过智能优化算法对模型进行了求解,得出最优配料方案。与此同时,本文提出了烧结矿化学成分预测模型,能够对于冶金料场不同配料方案的烧结矿化学成分进行了预测,对实际配料起到了指导作用。最后,本文设计了烧结配料管理子系统,实现了烧结配料过程的智能化。本文主要工作如下:首先,本文根据烧结工艺流程,在对烧结配料影响因素分析的基础上,建立了单目标烧结配料优化模型和多目标烧结配料优化模型。对于单目标烧结配料优化模型,详细地介绍了 GA-PSO算法和模拟退火算法应用于烧结配料优化,并在算例分析中对两种算法进行了对比,结果表明,GA-PSO算法求得的原料配比成本更低,保证了烧结配料的经济性。针对于多目标烧结配料优化模型,实现了带有精英策略的快速非支配排序遗传算法和自适应网格多目标粒子群算法的多目标烧结配料优化,将两种算法求得的结果进行比较,算例结果表明自适应网格多目标粒子群算法求得的Pareto解的帕累托前沿面分布更为分散。此外,由多目标算法求解出的Pareto解集,本文还提出了信息熵法和理想解法进行多属性决策分析。然后,对烧结矿的化学成分进行了预测,提出了一种基于粒子群优化极限学习机（PSO-ELM）的预测模型,通过粒子群算法的全局搜索能力对极限学习机中权值和阈值进行寻优。仿真结果表明,与ELM模型预测结果相比,本文提出的基于PSO-ELM算法的预测模型预测效果更好,能够准确地预测出烧结矿的化学成分。最后,在上述研究的基础上,对烧结配料管理子系统的主要技术与功能进行了分析,结合实际冶金料场的配料情况,对子系统的体系结构、功能结构、数据库进行了设计,实现了烧结配料的基础数据管理、参数管理和配料优化管理,提高了冶金企业的生产和管理效率。