随着工业化水平的不断提高,催化剂在资源利用方面发挥着巨大的作用,而能否设计出高效的催化剂配方,与催化剂配方设计方法的好坏有密切的关系。传统催化剂配方设计方法的缺点是很难在较短时间设计出优秀的配方,且实验工作量大。针对催化剂配方设计方法的缺点,本文通过分析计算机辅助优化设计的现状和发展趋势,结合相关领域的最新动态,提出了从试验设计到数学建模再到优化方法的一整套的催化剂配方的计算机辅助优化设计方案。理论分析得出以均匀性为目的的试验设计方案,试验次数较少,所以在试验设计方面,提出了采用均匀设计试验方案。由于催化剂配方的组分与性能间作用关系的复杂性,无法预先知道组分与配方性能之间关系的明确分析函数形式,故本文选用神经网络建模的方法作为建立催化剂配方和性能之间的定量关系的工具。前人已经证明,含有输入层、输出层和隐含层的三层BP神经网络,能够逼近任何连续的函数,并选用Sigmoid函数作为神经网络各层的激活函数;通过对标准BP算法、动量改进BP算法和Levenberg-Marquardt方法改进BP算法的比较,认为Levenberg-Marquardt方法改进BP算法的收敛速度较前两种算法有明显的优势,因此确定在催化剂配方建模中采用基于Levenberg-Marquardt方法的神经网络的学习算法。在优化方面,采用遗传算法对问题变量编码集构成的群体进行操作,实现高效搜索、获得全局最优解。随后,将基于人工神经网络和遗传算法的方法应用于重油轻质化催化剂配方设计的优化过程中。并且以影响因素作为输入层,H/C比值作为输出层,构成4-6-1型网络用于该催化剂配方建模。本文最后,提出了一些关于催化剂配方设计方法研究有待进一步探索的问题。