粮食生产代表着一个国家经济实力的强弱,对一个国家的发展至关重要。粮食生产与人类的生产生活息息相关,给人类的生存发展提供充足的物质保障,而且,粮食也是人民生存的必需品,对一个国家的前途命运有着重要的影响。目前,仍然有许多国家存在着粮食问题,粮食问题依旧是人类面临的最严峻的问题之一,引起了世界各国的广泛关注。众所周知,我国是一个农业大国,但同时也是一个土地资源相对匮乏的国家,所以确保稳定的粮食安全对稳定我国的发展有着深远的影响。因此,科学预测农业粮食生产发展是一项十分重要的举措。本文主要研究了用粒子群算法来改进RBF神经网络,使其预测速率更快,预测的精度更高,不易呈现局部最优。通过在粒子群算法中加入局部搜索算子来不断的更新粒子的位置和速度,使其在全局的搜索范围内具有最优的适应值参数,运用粒子群算法优化RBF神经网络的参数,可以使RBF神经网络的参数最优,从而最后预测出的粮食产量与实际值更接近。首先,对粒子群算法的原理和过程进行了阐述,然后通过对粒子群算法的分析便可以得到随机初始化粒子群,在初始化粒子群的条件下,对样本产量进行不断的迭代,即可得到最优解。然后用优化后的粒子群算法处理RBF神经网络参数,对粮食产量的样本进行归一化处理,对RBF神经网络构成进行初始化,为参数,,i i iw c?赋随机的初值用来初始化粒子群位置、速率和范围,从而可以得到最优的粒子群模型,达到了本文所满足的目的。然后,介绍了RBF神经网络模型。首先介绍了RBF神经网络模型的原理,并对原理进行了分析,介绍了RBF神经网络的来源,以及特点,并简单介绍了RBF神经网络的常见的应用,RBF神经网络因其独特的优点而在生活中使用的越来越普遍。通过对RBF神经网络模型的分析,对粮食产量建立了预测模型,然后对RBF神经网络模型的参数进行优化,使用粒子群算法来优化参数,建立预测效果良好的产量预测模型,根据粮食产量的样本,预测出未来几年的粮食产量,与实际产量进行对比,并做误差分析,可以得出结论使用粒子群算法优化神经网络,建立粮食产量预测模型,预测出的结果与实际值比较接近。最后,采用粒子群算法优化的RBF神经网络,对粮食产量的样本进行训练,使RBF神经网络的参数最优,便可获得粮食产量的预测值。