化工过程在严格意义上是状态变量随时间的严谨、空间的转移而发生改变的动态过程。动态过程由微分方程或差分方程描述，称为动态模型。动态优化就是对动态模型中的操作变量实施控制，使得过程的性能指标达到最优。对于少许复杂的动态优化问题，一般不能得到解析解，通常是在庞特里亚金极大值原理霍贝尔曼最佳原理的基础上采用数值方法以分段阶梯函数来逼近最优控制轨线，包括最速下降法、共轭梯度法、动态规划方法等。新型的智能仿生算法在动态优化问题中的应用也逐渐增多。动态规划与智能仿生算法尤其适用于梯度信息不可得的情况。 单一的优化方法用于不同情况下的化工动态优化问题未必可行有效，为此本文针对具体情况，提出了两种解法的集成策略。集成策略的基本思想是把原问题分解为一系列的子问题，并采用合适的方法优化之。 针对边值无约束且系统的梯度信息不可得的情况，在分析迭代动态规划法(IDP)和连续仿生算法优劣的基础上提出将迭代思想与遗传操作或蚁群寻优操作相结合，构建迭代遗传算法(IGA)和迭代蚁群算法(IACA)。IGA与IACA将一个连续的问题转化为一系列的离散问题，同时具备IDP和连续仿生算法的优点，无需离散化状态变量，且仅在有限个的离散值中寻优，克服了前两者的不足。已成功地将IGA与IACA应用于生物反应器优化的优化，仿真运算结果均优于文献值，且收敛更快。