在过程工业中,一些关键质量参数由于缺乏有效的在线检测手段,只能通过实验室离线分析获得,这成为提升过程监测、控制及优化水平的主要障碍。软测量技术为此类参数的实时估计提供了一种有效途径。其核心是通过建立易测变量与难测变量之间的数学模型,实现目标变量的在线预测。即时学习作为一种典型的数据驱动软测量建模方法,具有能够有效处理过程非线性、时变性、多模式、多时段等特征的优势,近年来在软测量应用领域受到了广泛关注。本文以即时学习建模技术为基本框架,研究基于进化优化算法和多样性相似度的高性能即时学习软测量建模方法。论文的主要研究内容总结如下:(1)传统即时学习软测量方法主要采用单一的相似度函数,无法有效处理复杂的过程特征。为此,提出了一种基于混合加权相似度的即时学习软测量方法。该方法以加权欧氏距离相似度为基础,定义了一种混合加权相似度指标。随后,采用混合整数遗传算法对输入变量和混合加权相似度参数进行优化。(2)加权欧氏距离相似度能有效改善即时学习软测量模型的性能,但是加权权值的确定较为困难,而且无法获得一组最优的权值参数。为此,提出了一种基于回归系数加权相似度的集成即时学习软测量方法。该方法首先采用随机子空间法和高斯混合聚类,构建一组多样性的训练样本子集,然后通过偏最小二乘回归分析确定输入特征权值,从而定义一组多样性的加权相似度函数。最后引入集成学习策略实现难测变量的融合预测。(3)构建高性能集成即时学习软测量模型的难点在于获得一组满足多样性和准确性的即时学习基模型。为此,提出一种基于多目标优化加权相似度的集成即时学习软测量方法。该方法通过进化多目标优化生成多样性的加权欧氏距离相似度,从而构建满足多样性和准确性指标的即时学习基模型。然后采用Stacking集成策略对基模型进行融合,从而获得高性能的集成即时学习软测量模型。(4)为了实现即时学习模型复杂度和准确度之间的有效平衡,同时考虑不同相似度指标的性能差异和优势,提出了一种基于三重扰动的集成即时学习软测量方法。该方法基于不同的相似度指标分别建立即时学习模型,并采用进化多目标优化方法对即时学习模型结构和输入变量进行优化。最后通过选择性集成学习实现基模型的精简与融合,有效提升了即时学习模型的预测精度。