LF炉是二次精炼过程中的重要炉外精炼设备。其主要作用之一是对钢水成分尤其是合金成分起到调整作用。因此,LF炉合金添加系统现已成为LF炉的研究领域中十分重要研究对象。但是,已有的合金成分调整方案和配料模型的效果并不令人满意,实际生产中更多采用经验操作来对合金成分进行调整。这样不仅影响钢水的质量,而且也不能对合金添加的过程合理的进行优化。因此,本文以LF炉合金添加系统为研究对象,对其建模与优化。LF炉合金成分调整时要求：一次加料操作就能够使钢水中的合金成分满足钢种的要求,并且加入的合金物料成本最低。对于前者,需要得到合金元素收得率；对于后者需要建立以合金物料成本最低为目标的最优配料模型。其中合金元素收得率作为最优配料模型中一个重要的参数,对模型的精度影响较大。但是合金元素收得率很难准确获得,因此本文首先对合金添加过程进行冶金机理分析,筛选出对合金元素收得率产生影响的因变量,然后建立基于案例推理和RBF神经网络的增量式预报模型对合金元素收得率进行预报。利用合金元素收得率的预报值通过最优配料模型,求得合金化过程的最优配料方案。合金元素收得率预报模型与最优配料模型共同构成了合金添加系统的优化模型。通过对实际生产数据的仿真验证了本文方法的有效性,对实际生产具有指导意义。