传统带钢热连轧生产线轧制过程中的轧制规程设定一般是以经验分配法获得负荷分配,即把同类设备生产同样的带钢品种获得的已有数据与生产实践相结合,最终确定轧钢机组的负荷分配。传统计算方法虽然合理,但并非最优,必须将得到的轧制规程在生产实践中不断进行优化才能达到更佳的产品品质。负荷分配模型具有非线性多变量的特点,特别是在考虑多方面的优化目标时,传统的优化方法例如动态规划法会造成求解困难,导致优化结果精度较低难以满足生产要求。在人工智能高速发展的现代工业时代,应该进行不断进行探索,建立新的负荷分配模型,利用人工智能优化方法以得到更加合理的轧制规程。本文研究了不同人工智能算法的优劣,结合遗传算法和粒子群优化算法两者的优势,提出了一种混合粒子群优化算法即基于交叉变异的混合粒子群优化算法(HPSO)。这种混合粒子群优化算法通过引进多种群概念和交叉变异操作,能有效克服粒子群优化算法收敛速度慢,易陷入早熟的问题。本研究建立了兼顾负荷均衡和板形最优的负荷分配模型,提出将轧制力优化和板形优化结合的优化思想。分别利用标准粒子群优化算法(BPSO)、惯性权重自适应粒子群优化算法(IPSO)和混合粒子群算法(HPSO)对负荷分配的初始值进行优化计算,最终得到优化的轧制规程。试验表明,BPSO优化算法模型和IPSO算法模型的优化结果都存在不同程度的算法缺陷,导致寻优收敛速度慢且收敛不到精确的最优解,得到的轧制参数不能很好的满足板形优化目标。HPSO优化算法通过引入选择、交叉和变异算子有效地摆脱局部最优值,避免了早熟收敛,从而较易寻到最佳的全局最优值。经过优化得到的轧制参数能够保证负荷均衡以及板形良好,因而在很大程度上保证负荷分配的合理性和稳定性。所以在实际轧制规程设定应用上有很大的研究价值。