随着“中国制造2025”国家战略不断推进,使用人工智能技术帮助传统工业实现生产资源优化分配,以此来降低生产成本变得愈发重要。本文以传统工业中氨的生产为例,使用深度学习和多目标优化算法建立一套组合模型,通过寻找出一个最优解来指导生产使得生产可以在满足预定目标的前提下减少生产成本。首先,在深度学习建模中,本文使用长短期记忆神经网络（Long Short-Term Memory,LSTM）来构建深度学习模型,LSTM神经网络由于能够处理具有复杂时间关联性的数据目前已成为最流行的时序建模工具之一。本文在LSTM神经网络建模方面第一,根据LSTM神经网络的逻辑架构以及结合实际问题背景来选择合适的激励函数、损失函数、优化方法以及学习率等参数。第二,通过使用网格搜索的办法对LSTM网络的隐藏层数量、神经元数量和数据序列长度参数进行寻优,探究了三种参数在不同组合的情况下对于LSTM网络性能的影响。第三,将LSTM网络与BP和RNN网络进行比较,得出LSTM的性能最佳,更合适对本问题进行建模分析。其次,在多目标优化建模方面,本文采用带有精英策略的快速非支配排序遗传算法（Non-dominated Sorting Elite Strategy Genetic Algorithm,NSGA2）,该算法具有构建Pareto最优解集复杂度低、采用了最优个体保留机制以及具有参数共享等优点。在NSGA2算法模型的构建方面第一,在已建立的LSTM模型基础之上结合实际问题背景进行多目标优化的问题描述,包括目标函数的确定,优化方向的选择以及约束条件的设置等。第二,确定优化问题的编码方式以及NSGA2算法中选择、交叉和变异遗传算子的选择,本文以空间评价指标和反向世代距离作为模型性能的评价指标,探究了不同遗传算子之间的组合对NSGA2模型性能的影响。第三,对NSGA2模型进行重复模拟实验并统计实验误差,得出模型误差波动较小并且在允许接受范围之内,模型具有良好的稳定性。最后,本文对所建立的LSTM--NSGA2组合模型进行了实例分析,以真实数据结果作为对比参照,结果表明本文建立的LSTM--NSGA2模型得出的最优解可以在满足生产要求的基础之上降低生产原材料成本。相较于以往的应用研究成果,本文主要在以下几方面进行了改进和拓展,第一,由于本文所使用的数据为时间序列数据,关于此类建模分析一类是采用传统的时间序列分析方法例如:自回归模型或差分自回归移动平均模型,但这类方法只能处理平稳数据或进行自回归分析。另外一类是采用BP神经网络,但一般的神经网络模型建模时都默认训练样本是相互独立的从而自动忽略了各个样本在时间顺序上存在的关联,而本文使用的LSTM网络能够弥补以上两类方法存在的不足。第二,关于此类的多目标优化问题,传统的处理方法大多是将多个待优化的目标函数通过分层序列等方法合并转化为单一目标函数,在此基础之上对单一目标函数进行优化求解,但该方法存在单位不一致等问题导致在实际中表现情况较差,而本文所采用的NSGA2多目标优化算法可以有效的解决以上存在的缺点。第三,传统工业生产优化主要依靠机理模型,但实际生产过程复杂且涉及众多影响因素,因此难以依靠机理模型来对其投入与产出关系进行准确的描述分析,而使用基于统计方法的数据建模技术能有效解决以上存在的问题。