本文的目的是研究运用两类群体智能算法—粒子群算法(Particle Swarm Optimization,简称PSO)以及具有量子行为粒子群算法(Quantum-behaved Particle Swarm Optimization,简称QPSO)训练人工神经网络,特别是径向基函数神经网络(Radial Basis Function Neural Network,简称RBF NN),以及基于QPSO和RBF NN的生化过程控制。由于神经网络的训练归结为对误差函数的最小化,而误差函数一般为多峰的,可能存在许多局部极值,一般的梯度算法往往找不到全局最优解。PSO算法和QPSO算法都是全局搜索算法,所以用PSO算法或QPSO算法训练人工神经网络对于提高神经网络在建模和预测精度上具有重要意义。首先,本文阐述了神经网络的基本原理和粒子群算法(PSO)以及具有量子行为粒子群算法(QPSO)的基本思想,强调了QPSO在全局优化问题中比PSO算法具有更好的收敛性能。接着以径向基函数神经网络(RBF NN)为对象,应用PSO与QPSO算法作为训练算法,给出了具体的操作过程。然后以函数逼近和地下水位预测问题作为仿真实例,测试了基于PSO训练的RBF以及QPSO训练的RBF,比较了两者的训练精度和算法收敛速度。仿真结果表明,用QPSO训练RBF网络,精度更高,收敛速度更快。其次,还将QPSO训练的RBF应用于系统辩识和混沌时间序列预测。文中以几个著名的测试系统作为实例,将QPSO-RBF和PSO-RBF进行测试,仿真结果表明,对于系统辩识问题,QPSO-RBF能够找到的系统参数更好,收敛速度更快。对于混沌时间序列预测问题,QPSO-RBF的性能和效率同样优于PSO-RBF。最后,本文还将QPSO用于基于RBF网络的生化过程控制。为了测试性能,分别将遗传算法(Genetic Algorithm,简称GA)和QPSO算法用于谷氨酸发酵过程的生化变量预测,通过智能算法对神经网络的优化,建立基于群体智能算法的RBF神经网络预测模型,对难以在线测量的生化变量进行离线预测。仿真结果证明,QPSO的收敛速度明显高于GA算法,且鲁棒性好。本文的研究工作表明,用QPSO训练神经网络,其性能优于其他智能算法如:PSO算法和遗传算法,收敛速度也比PSO算法或GA算法快,这些结果表明,QPSO是一种高性能的神经网络训练算法,在用神经网络对实际问题建模中能发挥很好的作用。