过程系统实时优化(RTO,Real-Time Optimization)对于流程工业节能降耗和提高经济效益具有重要意义。实时性是衡量实时优化性能的一个关键指标。如何提高实时性是系统工程师和大规模优化算法研究人员的一个工作重点。目前在大规模实时优化算法方面已取得许多出色的研究成果。但是随着过程系统规模的不断增大和模型精细程度的日益提高,优化命题的规模存在持续增长的趋势。因此,实时性仍然是实时优化技术的一个瓶颈。本文的目标是从系统的角度出发,利用优化命题的反复求解特性提高系统的实时性。本文对实时优化系统进行了深刻分析,并根据其中优化命题的重复性和相似性提出了记忆增强型优化方法(MEO,Mnemonic EnhancementOptimization)。该方法将变化的操作条件和各种扰动看作优化命题的参数,将先前优化计算的解作为经验保留起来,并用这些经验来估计待求最优解。随后MEO将估计值传给优化算法以精确定位最优解。理论分析证明在一般条件下,最优解是参数的连续函数。基于这一点可以证明随着RTO的反复运行,MEO逼近值将以概率1收敛于最优解。本文建立了MEO框架。该框架由两部分组成——经验库管理和多元逼近方法。本文在经验库管理中引入了阈值以限制经验库的空间复杂度。同时,本文构造了针对MEO经验库管理的增量式多元Delaunay剖分算法和巢状节点选择算法。它们为MEO中的多元逼近算法奠定了基础。在逼近算法方面,本文首先构造了零阶逼近MEO方法。在此基础上引进多元一阶Lagrange插值,从而得到基于Delaunay剖分的一阶综合逼近MEO方法。其次本文对一阶综合逼近MEO进行扩展,得到任意阶的全空间和部分空间多元Lagrange插值MEO方法。最后,作为对插值方法的有益补充,本文尝试在MEO中引进了线性最小二乘拟合方法,并对高阶拟合方法在MEO中的可行性进行了分析。数值试验显示本文所提出的各种MEO方法均优于RTO中的传统方法。并且,不同的MEO方法有着不同的特点和适用情况。