钢铁是工业的粮食,决定了整个国家的工业基础。随着钢铁工业的迅速发展以及市场竞争越来越激烈,降本增效的绿色生产观念促使钢铁行业不得不在提高钢种质量的同时降低生产成本,提升企业的利润率。由于转炉炼钢是目前使用最为广泛的炼钢方法,因此提高转炉炼钢自动化生产技术是提高钢铁企业竞争力的关键。然而,转炉炼钢是一个反应复杂又快速的过程,实现其自动化生产难度较大。在转炉炼钢的配料投入量计算方面,国内主要还是以人工经验为主,易受诸多因素影响,稳定性较低,而且容易浪费合金材料加大了企业的运营成本。因此,设计合理的转炉炼钢配料计算模型以生产出性价比高的钢种是目前国内钢铁行业急需攻破的技术难题。转炉炼钢中的铁合金配料成本的最小化和钢材质量的最大化问题可以看成一个多目标优化问题。多目标优化区别单目标优化之处在于其所得到的解是一组相互之间无法比较的解。粒子群优化算法作为一种新兴的群体搜索技术,每次运行后便可以获取多个可供选择的优化解,非常适合于多目标问题的求解。但是,如何平衡好多目标粒子群优化算法的搜索能力是影响其优化性能的关键性问题,如何改进多目标粒子群优化算法的性能仍存在可以继续探讨和深入研究的余地。本文主要对以下两个问题进行了研究:(1)针对全局搜索和局部搜索的平衡问题,提出一种基于多样性检测的多子群多目标粒子群算法。首先,引入多样性检测方法,结合多目标粒子群算法的特点进行改进。其次,将种群分为两个不同分工的子群,一个子群保持较好的多样性,在搜索空间进行全局搜索;另一个子群保持较好的收敛性,在Pareto前沿附近进行局部搜索。此外,根据多样性度量指标调整两个子群的搜索参数,以达到兼顾多样性和收敛性的目的。所提算法在标准测试问题上的仿真实验结果说明了该算法相比于其它算法具有一定优势。(2)针对转炉炼钢生产过程中铁合金加入量难以计算的问题,以多目标优化为基础,建立了铁合金加入量的优化模型,同时降低了铁合金成本和钢水元素误差。该模型采用极端学习机网络设计了钢水元素软测量模型,并应用改进的多目标粒子群优化算法求解铁合金加入量,进而实现铁合金成本的优化。最后,使用基于钢材质量优先的决策解选择策略,得出最优的铁合金加入量信息。仿真结果表明了该铁合金加入量优化模型寻找最小成本和最小误差的铁合金加入量有效性和合理性。