电力工业的发展促进了发电机组单机容量和参数正不断增加,其自动化程度越来越高,对控制系统的控制品质也提出了更高的要求。掌握被控对象的数学模型和建模后控制系统的设计,是过程控制系统分析、设计、调试和获得较高控制品质的基础和关键。因此,研究基于现代优化技术的系统建模方法和控制器参数整定技术具有重要的意义。本文针对遗传算法在热工过程中的建模和优化控制中的应用进行了研究。论文主要内容分为三部分。第一部分研究基于遗传算法的热工过程模型辨识,遗传算法采用了多算子结合的自适应交叉、变异策略,提高了算法的精度、搜索效率和收敛能力。针对传统通用的多项式传递函数形式作为模型进行辨识时存在的各参数差异较大,各参数失配和参数在搜索空间中的搜索效率较低等问题,提出了以零极点传递函数形式描述过程对象,并对常见的热工过程进行分类的辨识方法。仿真研究表明,所提出的基于遗传算法的热工过程模型辨识方法具有很好的模型辨识能力,可以得到精度较高的辨识结果。第二部分对遗传多目标优化算法进行了研究,在分析比较了几种典型算法的突出特点和不足的基础上,本文提出了两种改进的遗传多目标优化算法。基于非支配排序的均匀权重和方法是对传统的多目标转换为单目标的权重和思想在两个目标的优化方面进行的改进,目标的权系数分配方法是在一定区间内,以一定的步长进行均匀的变化,避免了传统权重和方法在权系数确定与分配上存在的困难。同时结合非支配排序的思想,对每组权系数下得到的最优解组合在一起进行非支配排序,可以获得更加均匀分布的Pareto前沿。改进的Pareto遗传多目标优化算法结合了NSGA算法的非支配排序、NSGA-II/SPEA算法中的精英保留策略和小生境技术,并对传统的小生境技术中基于个体适应度的淘汰技术进行改进,提出一种个体向量模适应度函数作为淘汰个体的准则。通过两个多元函数的最小值优化算例验证,两种方法均获得较为均匀分布的Pareto前沿,并且改进的Pareto遗传多目标优化算法由于采用了小生境技术,使得最优解的分布更加均匀,避免了局部收敛的问题。第三部分在对PID控制规律、控制器参数整定的准则以及常见的整定技术进行综述的基础上,提出了PID控制器参数的多目标优化整定思想,给出了基于改进多目标优化算法的PID控制器参数的整定方法,对算法的适应度函数和最佳整定结果的选择进行了分析。以锅炉过热汽温串级控制系统为例进行了仿真研究,研究结果表明遗传多目标优化算法应用于PID控制器参数整定,为决策者提供了更多的选择余地,是可行有效的。