本文以差别化纺丝的生产工艺及其优化过程为研究对象,通过对于各种纤维的纺丝工艺的研究,以及对其关键生产参数与性能参数的选择与数据收集,力求探究它们之间的关系,并应用智能算法黑箱模拟此种关系,同时,以此为基础实现基于差别化纺丝生产参数与性能参数的双向预测,从而对其生产参数与性能参数进行相互优化,简化了建模难度,降低了生产成本,提高了纤维的最终性能。另外,该方法也为差别化纺丝生产过程的工艺优化提出了一种新思路。差别化纺丝性能的双向预测算法分为两个部分,即应用性能参数实现生产参数的优化的反向推理过程,以及应用生产参数实现性能参数的正向预测过程。首先,由于纤维的生产依赖于生产参数的设定,而生产参数的设定取决于给定的性能参数要求,所以生产参数的预测对于生产过程的优化十分重要。传统的方法是应用经验来控制与调试各个生产参数,使其终端性能满足要求。由于各个生产参数之间相互作用并影响最终性能,因此必然存在多组可能的生产参数能够满足所给定的性能参数要求,即生产参数的设定是一个多解问题,以至于生产参数的设定十分困难。为了优化生产参数的设定过程同时满足生产参数解的多样性,本文使用多目标进化算法以及基于实际生产参数正交实验结果构成的神经网络对给定性能参数进行生产参数的反向推理。同时,应用粒子群算法对此多目标进化算法进行设计与改进,使其粒子的进化过程能够分别根据粒子进化轨迹中的局部最后进行进化,以及根据所有粒子的各个目标的全局最优按照该粒子的最差目标进行进化,从而保证了预测结果的多样性,预测速度的高效性,以及预测结果的准确性。最后使用碳纤维原丝的正交生产数据对其进行验证,结果证明,本文所提出的基于多目标进化算法的反向推理过程取得了很好的预测结果。接着,由于在实际生产过程中,所得到的的经验数据并非是通过正交实验所得到的的,所以所得到的的经验数据是不规则的大范围分散数据,为了将上述算法更好的应用到差别化纺丝工艺的优化之中,本文对其基于生产数据的神经网络,即正向预测算法进行改进。首先,对真实的生产数据进行聚类得到各个输入输出中心,并应用K均值算法、粒子群进化算子以及遗传算子对此聚类算法进行改进,提高了聚类结果的准确性,也为之后的正向预测过程打下基础。接着,应用改进的径向基神经网络与各个输入输出中心实现其正向预测过程,提高了预测结果的准确性,也保证了反向推理过程中各个目标函数的准确性。最后使用大量的涤纶生产数据对上述聚类算法与正向预测算法进行验证,并将此结果应用到反向推理过程之中,结果证明基于此正向预测过程的反向推理过程取得了很好的预测结果。最后,应用C#语言,在基于.NET技术的Visual Studio软件开发平台上开发实现基于上述双向预测算法的人机交互软件平台,方便进行数据的导入以及生产参数与性能参数之间的正向预测过程与反向推理过程,使此算法能够更简单方便的应用到实际纺丝生产之中。