随着国家的崛起,工业的发展,工业生产规模不断扩大,生产过程也越来越复杂。由于过程复杂,干扰因素众多,我们无法准确了解反应的实时情况,因此应用传统的控制理论和控制方法已经无法满足对这些复杂工业过程的控制。寻求一种怎样的控制算法可以有效控制复杂工业过程成了控制界的一个难题。多年来,专家学者提出了许多控制算法,进行了众多尝试,不断总结经验并改进。本文应用的改进的PSO-RBF神经网络控制算法是一种结合粒子群优化算法和RBF神经网络的新型智能算法,在处理那些难以建立精确模型的复杂系统时具有很大的优势。二者结合可以达到优势互补,并且避免了由于参数选择不当影响收敛性的问题,使模型精度和准确度进一步提升,从而实现对系统更有效的控制。针对基本粒子群优化算法容易出现过早收敛的问题,提出了一种改进的粒子群优化算法。通过调整惯性权重和学习因子的设定,避免了基本粒子群优化算法“早熟收敛”的问题,平衡了粒子寻优过程中的局部搜索和全局搜索能力,提高了搜索精度。另外,针对RBF神经网络参数选取不当会影响收敛性的问题,提出一种改进的PSO-RBF神经网络控制算法,将粒子群优化算法和径向基神经网络相结合,采用改进的粒子群优化算法对RBF神经网络的隐含层基函数中心、宽度和输出层的连接权值进行寻优,建立基于改进的PSO算法优化后的RBF神经网络模型。联合制碱过程是一类典型的复杂工业过程,具有时变、非线性、不确定性等特征,在线控制模型难以建立。针对联合制碱复杂工业过程控制精度不高、鲁棒性差等问题,将改进的PSO-RBF神经网络控制模型应用到联合制碱的关键工序碳化过程和煅烧过程中,并与先前应用的模糊神经网络控制模型进行比较,经仿真研究验证表明:在联合制碱碳化过程中应用改进的PSO-RBF神经网络控制算法,其控制精度和系统鲁棒性得到有效的提高,为解决一类复杂工业过程的建模与优化控制方法研究提供一条有效的技术途径。