化工生产过程中的设备系统往往具有较强的非线性、滞后性和不确定性,传统的控制方法对于线性系统有着较好的控制能力,但对于非线性系统控制效果并不理想。为了满足化工生产过程控制的需求,本文将非线性CSTR系统智能优化控制方法作为主要研究对象,针对化工非线性系统机理建模复杂、反应过程控制困难的缺点,采用智能预测控制算法对CSTR系统进行控制。针对CSTR系统控制困难的问题,本文通过分析大量CSTR系统的建模方法和控制方案,提出一种基于改进多元宇宙优化算法和基于正则化极限学习机神经网络结合的预测控制方法,并成功应用到了CSTR系统中,具体研究内容如下。本文提出采用多元宇宙优化算法作为主要优化算法,针对多元宇宙优化算法收敛速度缓慢、搜索效率低、容易陷入局部极值等问题,给出了两种性能更优越的多元宇宙优化算法。首先对多元宇宙优化算法的主要参数结构和设置进行改进,对两个重要参数分别利用指数上升下降法来提高其收敛速度。其次,将拉丁超立方采样、混沌算法分别与多元宇宙优化算法结合,在改进了参数后的多元宇宙的基础上提出了拉丁超立方多元宇宙优化算法（LMVO）和混沌多元宇宙优化算法（CMVO）。两种算法分别针对MVO算法初始化和局部搜索进行优化,有效提升了MVO算法的搜索效率和逃离局部极值能力。本文针对正则化极限学习机模型参数设置问题,提出了一种基于拉丁超立方多元宇宙优化算法优化RELM神经网络的建模方法,采用拉丁超立方多元宇宙优化算法优化RELM神经网络的权值、阈值、惩罚参数等。通过与BP神经网络、ELM神经网络建模方法比较,验证了LMVO-RELM神经网络模型精度更高。本文最终建模环节采用CMVO算法作为滚动优化策略求解目标函数和LMVO-RELM作为多步预测在线校正模型,建立了基于CMVO-RELM神经网络的预测控制方法,并将其应用于CSTR中。通过与PI控制方法对比,分别在理想状况和加入干扰情况下进行了仿真。仿真结果表明,基于CMVO-RELM神经网络的预测控制方法具有良好的跟踪性能和抗干扰能力,验证了本文所提出的智能优化控制方法的有效性和可行性。本文最后设计了一款CSTR预测控制系统。该系统主要功能包括预测模型详细参数设置、可视化预测误差、跟踪效果、数据处理等,实现了CSTR系统的在线调试预测功能。