随着我国成品油管网规模不断扩大,管网运行调度的难度增加。目前国内一些成品油管网的批次计划优化面临两大困扰,一是现有优化方法的计算量大、耗时长,二是难以满足管网中某些特殊的运行约束。鉴于近年来迅速发展的人工智能（AI）技术为解决复杂优化问题提供了新思路,本文尝试引入经验规则或启发性规则、自适应搜索等AI理念解决成品油管道和管网批次优化问题,以期能较好地解决这两大困扰。为便于求解,基于成品油管道批次计划的逻辑结构,将一条成品油管道的批次计划优化问题分解为首站输入计划优化子问题和沿线分输/注入计划优化子问题。针对计划期各油品总发油量未知时的首站输入计划优化问题,提出了基于初始方案构造及逐步调整的优化方法,其中融入了管道历史运行数据和相关的启发式规则。为了减少成品油管道停输过程中产生的混油量,通常对停输时的油品界面位置有某些限制性要求。成品油管道运行过程中往往同时存在多个界面,且界面位置随油流移动,因而对该要求进行数学描述比较困难。本文深入分析了油品界面位置随时间的变化规律以及与首站输入计划和沿线分输/注入计划的关系,在此基础上建立了一组用于描述该要求的停输界面约束条件,并将其引入成品油管道分输/注入计划优化的MILP模型中。利用GUROBI优化软件求解了该优化模型,通过对三条管道的优化结果分析总结了管道分输/注入计划优化的经验规则。针对成品油管网批次计划优化问题,本文提出了一种改进模拟退火（ISA）算法,其融入了并行计算、自适应搜索以及管道沿线分输/注入计划优化的经验规则。将ISA算法应用于某成品油管网,获得的批次计划合理可行,且表明该算法能有效地处理停输界面约束,效率较高。