钢铁是发展国民经济、增强综合国力的重要物质基础。而板带材是广泛应用于国民经济各部门的重要原材料。板形是板带材的质量指标之一,无论是板形控制系统中调节机构的控制特性分析,还是在线实时控制,都需要精确的板形预测模型,于是建立精确的预测模型的要求越来越迫切。本文对板形预测模型的研究现状进行了分析,找出已存在方法的不足,对板形预测模型进行了研究。首先,对PSO算法进行研究,为改进基本PSO算法所存在的容易陷入局部极值点的缺陷,提出了一种改进的PSO算法,采用混沌优化算法,在全局空间动态确定PSO算法关键参数,从而解决了基本PSO算法参数依赖性强的问题,并应用经典测试函数进行实验验证该算法的性能。其次,提出了MPSO-RBF混合优化策略。为了进一步提高神经网络学习算法的收敛速度和精度,将具有全局搜索能力、实用性强的改进粒子群优化算法(MPSO)融合到RBF网络训练中,给出了MPSO算法的粒子编码,混合优化算法操作设计和步骤。Hermit多项式的逼近和Iris分类问题作为仿真实例,测试了基本PSO算法和MPSO算法训练的RBF网络,比较了两者的训练精度和收敛速度。最后,建立了基于MPSO-RBF网络的板形预测模型。经过对现场实测数据进行归一化等预处理后,分析了轧制过程中对板形的影响因素作为网络的输入,以板形特征参数作为网络的输出,采用MPSO-RBF网络建立了板形预测模型。采用实测数据,应用Matlab软件对该模型进行了仿真实验。