随着工业过程不断地向大型化和自动化方向发展,复杂工业过程平稳、安全、优质、高效的运行成为了人们关注的热点,对生产过程的控制也提出了更高的要求。稳态优化技术能根据过程系统性能和特点,找出使系统的性能指标或者目标函数达到最小(或最大)的设备参数或工艺变量,是一种投入小,见效快的先进控制技术,也是如何将控制原理应用到实际领域的难点之一。稳态优化主要分为建模和优化两部分,论文在分析建模和优化方法国内外发展状况,原理、实现方法,以及各自的优缺点和局限性基础上,提出了相应的改进算法,并通过仿真实验加以验证。在建模部分,针对现代复杂工业过程具有多变量、非线性、强耦合性、时变时滞和不确定性等特性,使用传统的建模方法很难建立严格的系统模型,本文提出了采用现代的智能建模方法-人工神经网络来建立系统模型。人工神经网络不仅可任意逼近非线性,且具有大规模并行处理、知识分布存储、自学习能力强、容错性好等特点。径向基函数神经网络是一种典型的局部神经网络,具有最佳逼近能力。本文使用最近邻聚类学习算法作为径向基神经网络(Radial Basis Function Neural Network,RBF)隐层节点数和权值的学习算法,并且通过非线性函数算例进行了验证。在优化部分,为了发挥粒子群优化算法具有简洁性,易于实现,没有很多参数需要调整,不需要梯度信息等优点,克服其可能陷入局部最优的不足,提高收敛速度,本文对粒子群优化算法进行改进,与其他优化算法结合。模拟退火算法具有很好的全局寻优能力,在基本粒子群算法的基础上引入了模拟退火的思想,并且改进了惯性权值线性递减策略,引入了惯性权值的非线性递减策略,通过对标准测试函数的仿真验证了算法有效性。最后以过氧化氢异丙苯(CHP)分解单元为优化对象,通过对生产工艺的了解,进行大量的现场数据采集和分析,针对生产装置运行情况,确定了控制参数和优化目标。使用最近邻径向基神经网络和改进的粒子群算法进行建模和优化,取得了令人满意的效果。