聚丙烯作为全球五大通用塑料之一,广泛地应用于日常生活、工业生产、航空航天等领域。因此,聚丙烯生产过程中的产品质量控制就尤为重要。熔融指数是决定聚丙烯产品质量的重要指标。本文针对聚丙烯熔融指数软测量预报问题,引入了最小二乘支持向量机(LSSVM),通过群智能优化算法对LSSVM模型的参数进行优化;同时,对群智能优化算法进行改进,有效地提高了模型的预报性能;本文提出的几种智能LSSVM模型成功地应用于工厂实际数据预报中,为实际工业生产中的熔融指数预报提供了更多的选择。本文的主要工作及贡献如下:(1)针对聚丙烯工业生产过程,选取了合适的输入输出变量,通过主元分析方法(PCA),对输入变量进行降维处理,建立了聚丙烯熔融指数预报LSSVM模型;实验结果证明了熔融指数预报LSSVM模型的有效性;(2)提出了一种熔融指数预报AMPSO-LSSVM模型。为了克服粒子群优化算法(PSO)易陷于局部最优值、收敛精度低等缺陷,根据粒子群进化状态引入了变异操作,提出了一种自适应变异PSO算法优化熔融指数预报LSSVM模型的参数;实验结果表明AMPSO-LSSVM模型具有更好的预报性能和推广泛化能力,证明了 AMPSO智能优化算法的有效性;(3)进一步提出了一种熔融指数预报MSFLA-LSSVM模型。针对标准混合蛙跳算法(SFLA)易陷入局部最优值等缺陷,在SFLA算法的全局搜索过程中引入了自适应混沌变异,提出了一种改进的MSFLA算法对LSSVM模型的参数进行优化,建立了熔融指数预报MSFLA-LSSVM模型;实验结果表明MSFLA-LSSVM模型的预报性能在SFLA-LSSVM模型的基础上有了进一步的提高,证明了MSFLA智能优化算法的有效性。