钢铁业长期以来一直在国民经济发展中占主导地位.但近年来,随着社会发展与科学技术的进步,以及市场竞争的日益严峻,一方面用户对钢铁产品质量、品种、性能的要求越来越高；另一方面,钢铁企业要以尽量低的成本,生产出足够高质量的产品,才能使自己在激烈的市场竞争中立于不败之地.钢产品制造是一个包括几个相互关联但分散的工序的复杂过程.其中,轧件的轧制过程是钢铁生产过程中的关键工序,而轧制过程的控制以及轧制过程中轧制生产调度序列成为影响产品质量和产品成本的主要因素.在计算机控制的钢铁生产过程中,为使钢铁顺利通过轧制线,得到具有一定尺寸精度、良好板形和具有一定机械性能的成品,必须建立一套完整的能被计算机所采用的计算模型. 对于精轧机组来说,轧制压力模型是核心模型.在轧制压力预测方面,变形抗力模型是影响轧制压力精度的重要模型.文中提出了变形抗力和轧制压力的预测模型,并在预测过程中表现出良好的性能.在轧件的轧制过程中,轧辊对于轧制产品质量、运行成本和生产能力起着关键性的作用,而轧件的轧制计划安排对于轧辊产生巨大的影响.因此,制定一条可行而有效的轧制调度计划是非常必要的.本文在车辆路径问题的基础上,提出了轧件轧制调度的车辆路径问题模型,并发展了混杂离散人工免疫算法与模拟退火的新型混合优化算法,在解决轧件轧制生产调度问题中取得了良好的效果.本文主要对以下几个方面的内容进行了研究： ◆变形抗力预测模型针对小样本单一钢种问题,提出了支持向量机组合模型.利用数学模型计算变形抗力的主值,利用混合最小二乘支持向量机预测变形抗力的偏差值.其中,混合最小二乘支持向量机利用离子群优化算法(PSO)来自动选择自身参数.通过对热模拟实验得到的数据进行仿真研究,可以发现支持向量机组合模型具有良好的预测性能和泛化性能,相对误差率在5﹪以内的就占了总测试样本的96.55﹪,所有测试样本的相对误差率都在10﹪以内. ◆轧制压力预测模型提出了基于进化神经网络和数学模型相结合的组合预测模型.这个模型充分利用了进化神经网络和数学模型各自的优点,主要从两方面考虑提高轧制压力预测精度,一方面就是建立了进化神经网络模型来纠正轧制压力的偏差,进化神经网络的主要创新之处是通过利用结构自适应PSO循环来确定网络隐层节点数和激活函数,通过权重SA-APSO(基于模拟退火的自适应PSO)循环来选择网络的权值和阈值.另一方面是对轧制压力数学模型进行优化,通过引入基于进化神经网络和数学模型的变形抗力参数网络来优化轧制压力数学模型,把两者综合起来,可得到轧制压力的最佳预测效果.通过对来自某钢厂的实际生产数据的计算结果表明算法的可行性和有效性. ◆轧制生产调度问题工业生产调度问题本身大多是NP难问题,经典的运筹学方法在解决这一类问题时效率不高,因而该问题一直是学术界研究的热点.车辆路径问题和轧制生产调度问题都是NP难题.文中针对轧制生产调度问题的各种情况,提出了相应的轧制车辆路径问题模型,并把离散人工免疫算法引入车辆路径问题和轧制生产调度问题,此算法发挥了其简单、易执行、全局寻优好的优点；模拟退火算法使用概率来避免算法陷入局部最优,整个搜索过程可由控制参数来控制；通过对这两种算法的不同组合,提出了两种快速、且易于实现的新的混合优化算法,并将其用于求解相应的轧制生产调度问题.对于一般轧制生产调度问题,模拟退火算法是嵌入在离散人工免疫算法中的子程序,两种算法执行分配与排序的功能,对于一般车辆调度问题中的若干经典算例的计算结果以及与其它算法的比较表明了算法良好的求解性能；同时,通过对来自某钢厂的实际生产数据的计算结果,进一步表明了算法的可行性和有效性；对于轧制单元数不确定的轧制生产调度问题,离散人工免疫算法与模拟退火算法是顺序执行的,即离散人工免疫算法的最好解是模拟退火的初始解,通过对车辆数不确定的车辆路径问题中的几个经典算例的计算结果表明算法良好的求解性能,对于来自某钢厂实际生产数据的计算结果进一步证明了算法良好的性能；对于带交货期差异的轧制生产调度问题,运用上面提出的两种算法求解,通过对带时间窗的车辆路径问题的若干经典算例的计算结果表明算法良好的求解性能,对于某钢厂实际生产数据的计算结果验证了算法的可行性和有效性.