热连轧过程作为典型的串联型工业生产流程,具有非线性、强关联、深耦合、非稳态的特性。实际生产中轧制力的准确预报对于提高产品质量、充分发挥轧机轧制能力具有重要作用;而轧制力预报模型的精确程度则与有效分配机架负荷有极强的关联作用。本文以某热连轧生产线为研究对象,以机器学习和群智能优化算法为工具,基于现场数据,对实际生产线的轧制力预报和负荷分配优化问题进行了离线仿真研究。本文的主要研究内容如下:（1）在原有粒子群算法的基础上,借鉴和参考了相关文献,对基本粒子群算法的学习因子随迭代次数的变化方式进行了改进,提出了三种改进粒子群算法并对算法进行了测试。其中自适应加速度粒子群算法（TACPSO）和指数时变加速度粒子群算法（IPSO）的迭代速度和收敛精度较原有的粒子群算法有显著提高;（2）依托现场实际的生产数据,在分析数据和筛选数据的基础上建立了两种改进粒子群算法优化最小二乘支持向量机的轧制力预报模型,即TACPSO-LSSVM模型和IPSO-LSSVM模型,原理是对最小二乘支持向量机的惩罚参数和径向基核函数的核参数进行优化。结合统计分析理论,考虑均方根误差和平均绝对误差两个常用分析指标对预测模型进行了评价,验证了优化模型的有效性;（3）结合鲁棒性好、适应度强的麻雀搜索算法（SSA）提出了若干改进策略,分别考虑正余弦算法对麻雀个体加入者进行更新、萤火虫的扰动策略对麻雀种群进行迭代、采用改进后的Circle混沌映射的三种改进麻雀搜索算法,将三种改进策略进行融合后提出了一种多策略的麻雀搜索算法（CSFSSA）。采用单峰、多峰测试函数对上述四种算法进行测试,CSFSSA寻优性能较其他几种算法有显著提高;（4）为验证CSFSSA算法的实际应用效果,依托热连轧实际生产过程,采用CSFSSA对建立的负荷平衡、板形良好、能耗降低三个目标函数进行优化,旨在产生兼顾上述目标的负荷分配方案。结果表明,优化后的负荷分配方案较原有方案考虑更加充分,为决策者提供了多重备选方案。