带钢热连轧生产过程中,需要制定相应的轧制规程,精轧机组轧制规程制定的核心问题是负荷分配。负荷分配问题的本质是将精轧机组入口到出口的总压下量合理地分配到各个机架,以达到目标要求。负荷分配方案的优劣对产品质量、设备损耗和生产效率影响较大。传统的负荷分配方案多采用经验分配法制定,此方法虽然可行,但结果并非最优。随着市场对产品质量要求的不断提升,传统的负荷分配方法日渐无法满足当代企业的生产需求,新方法的探索愈发重要。伴随着计算机行业的迅猛发展,智能化技术的优势愈发明显。采用智能优化算法解决负荷分配问题可以快速高效地满足生产要求,制定更加合理的轧制规程。本文详细介绍了国内外在带钢负荷分配和智能算法领域的研究进展,分析了热连轧精轧过程中的主要数学模型,明确了各模型之间的联系,建立了兼顾负荷均衡、板形最优以及总轧制功率最小的目标函数模型。针对热连轧精轧机组中的负荷分配问题,综合考虑了各类智能优化方法的优劣,选择粒子群优化算法(PSO,Particle Swarm Optimization)进行负荷分配的优化研究,主要内容如下:在粒子群算法中,惯性权重对算法的收敛性能影响明显。首先使用基准函数测试了自适应权重、线性递减权重、随机权重等三类常见权重改进算法的性能优劣。其中,随机权重粒子群算法的惯性权重取值为服从一定分布的随机数,能够平衡算法的全局与局部收敛性能,可应用于负荷分配实例。但是,在基准函数测试结果中,随机权重算法仅在部分函数中展现出更好的结果,其总体优化效果不是十分理想。为进一步提升粒子群算法寻优性能,在粒子速度更新公式中采用收缩因子替代惯性权重的作用。惯性权重只限制粒子的先前速度,而收缩因子可以对粒子的整体速度进行限制,使算法的局部收敛性能得到显著提升。带收缩因子粒子群算法(CFPSO,Constriction Factor PSO)的基准函数测试和负荷分配实例计算结果显示,算法的寻优精度得到了较大的提升,收敛速度也较好。最后借鉴遗传算法中杂交方法的优点,综合杂交策略和收缩因子对粒子群算法进行改进,构成混合粒子群优化算法(HCFPSO,Hybrid Constriction Factor PSO)。杂交策略能够结合两个父代粒子的速度、位置信息,生成更为优异的子代粒子。粒子群体的多样性得以提升,避免算法无法跳出局部极值的同时提升了算法的寻优能力。基准函数测试结果显示,改进后的混合粒子群算法具有优秀的收敛精度和较快的收敛速度。负荷分配实例计算结果显示,该算法优化的负荷分配方案中,第4到第7机架的带钢比例凸度非常稳定,可有效地改善带钢板形。其总轧制功率结果也明显低于其它方法,最符合目标需求,具有较好的实际应用价值。本文根据热轧带钢生产的实际需求,建立了合适的负荷分配数学模型,逐步对粒子群算法的性能进行优化。包括权重改进、带收缩因子以及改进混合等粒子群算法。最后进行算法的高维多极值基准函数测试和负荷分配实例计算,验证了改进算法的有效性。