基于功能和时间尺度分解的自动化操作层次结构在化工过程操作运行中具有非常重要的地位，提升各自动化层的能力和增强各层次之间的融合是促进生产过程智能化的两个有效途径。其中实时优化层和先进控制层处于较底层，具有较短的执行周期，与装置的实际状态息息相关。本文主要研究化工过程的实时优化和模型预测控制问题，主要包括适用于化工过程全流程优化的智能优化算法、装置的实时优化与模型预测控制方法及其集成。具体内容如下:　　1.基于种群的智能优化算法在不断的迭代搜索中，积累了大量的数据，通过挖掘这些数据所蕴含的空间信息实现对智能优化算法搜索过程的辅助，提高算法性能。采用具有较好平滑性的Kriging插值模型，建立跟随搜索过程中种群动态变化的数据模型，利用Kriging模型的可导性获得其梯度为零的点引入种群，引导种群的演化过程，提高了算法的收敛速度和稳健性。该算法适用于化工过程装置的全流程优化（黑箱模型），即时响应外界原料、产品价格的波动。　　2.非线性模型预测控制具有广泛的适应性，但由于非线性模型预测控制的优化问题呈现非线性、非凸性，在每个控制周期高效求解该优化问题，获得全局最优解对于装置的稳定运行、经济最优操作条件的实现均具有重要意义。采用二阶积分方法离散过程的连续时间模型降低非线性规划问题规模，提高计算实时性，采用新型的基于分段线性松弛策略的确定性全局优化算法对非线性模型预测控制的优化问题进行求解，在存在测量噪声、模型失配的不利情况下，获得了较好的控制效果。　　3.在复杂的工业条件下，与装置实际状态紧密相关的实时优化与模型预测控制可以实时地响应各类扰动，提高经济优化性和运行平稳性。本文提出改进的双层实时优化与模型预测控制集成方法，利用过程的非线性动态模型促进实时优化层、模型预测控制层、稳态目标优化计算层的紧密集成，消除了各操作层之间的模型不匹配。在实时优化层采用易于校正模型的约束值适应策略，预测控制层采用基于非线性模型连续线性化的模型预测控制，不仅改善了控制性能，而且提高了实时优化算法的收敛速度，减小了系统波动。　　4.动态实时优化相对于稳态实时优化具有更大的灵活性。通过动态实时优化和非线性模型预测控制采用相同的预测模型、相同的离散方法和间隔，消除二者之间模型的不匹配。提出改进的确定性全局优化算法应用于动态实时优化，保证全局最优解，并提高求解效率和实时性。同时结合重新优化策略和最优轨迹快速更新策略，实现全局最优动态实时优化与非线性模型预测控制的高效集成。　　5.首先将改进智能优化算法应用于苯乙烯装置的全流程优化，响应市场原料、产品价格的变化，提高了装置整体的经济效益。然后，将稳态实时优化与模型预测控制集成方法应用于工业苯乙烯装置反应过程的实时优化与控制，响应系统中的各类扰动。根据实际工业装置建立了该反应过程的动态模型，利用工业数据校正反应动力学等主要参数，并利用实际装置的动态数据对模型的动态预测能力进行了验证。在此基础上，引入模型参数误差建立基于神经网络的非线性动态模型，作为集成算法中各操作层的模型来源。仿真实验表明在存在模型误差的情况下，应用该集成算法显著提高了苯乙烯装置反应过程的操作水平。