现代工业生产的发展对生产过程的控制与优化提出了越来越高的要求,除了对单个生产装置或局部过程实现优化控制外,追求全过程的优化已是提高产品质量和降低成本的关键.从控制的角度来说,全过程控制关心的是整个生产过程的最终产品质量的控制,而不是单个回路的行为与整定.已有的全过程控制的研究主要侧重于整体控制结构的设计,控制问题的分解,操作变量的选择与配对.从优化角度来说,已有的研究主要侧重于大工业过程的稳态优化模型的建立与优化算法的设计.本论文研究了一类在实际工业过程中大量存在的串联生产过程的辨识,预测控制,基于人工智能方法的优化模型建立与子过程设定值优化,并结合具体的工业过程,步进式加热炉以及连续退火炉等进行了仿真和应用研究.本论文的主要创新成果包括:1)结合现代大工业生产全过程的特点,提出了串联生产过程的控制与优化问题;综述了大工业生产的建模,控制,优化的研究现状;2)分析了串联生产过程的结构特点,提出了基于阶跃信号测试的串联生产过程的分散闭环辨识算法.把串联生产过程依次分为多个两输入两输出(Two-input Two output, TITO)局部过程,对TITO局部过程分别进行辨识.针对只有相邻子过程间具有关联耦合,以及单向关联耦合的两类串联生产过程进行了研究.3)研究了串联生产过程的预测控制算法.在基于纳什优化分布式预测控制的研究基础上,改进了优化性能指标的选取,提出了一种基于全局最优的分布式预测控制算法,并进行收敛性分析;针对在一个方向上有强耦合,相反方向上有弱耦合的特殊串联生产过程,提出了分布式解耦预测控制算法.4)建立了串联生产过程各子过程设定值变化量与最终产品质量映射关系的IF-THEN模糊规则库;基于IF-THEN模糊规则库,提出了串联生产过程设定值动态优化算法,把模糊优化问题转化为清晰优化问题;结合步进式加热炉的炉温优化设定进行了仿真研究;5)研究了工况变化情况下的串联生产过程的在线动态建模问题.串联生产过程各子过程设定值与最终产品质量之间的非线性映射关系很难直接得到.我们结合连续退火炉的实际数据,基于一种串行学习的神经网络算法,建立了连续退火炉的产品质量模型;基于动态更新的神经网络产品质量模型,用遗传算法对各段炉温设定值进行了优化设定.