支持向量机是一种继人工神经网络之后的新型机器学习算法,它以统计学习理论为基础,使用核函数把数据从样本空间映射到高维特征空间,将非线性问题转化为线性可分问题,从而获得最优解。本论文在深入研究支持向量机理论和基本算法的基础上,对其在横向磁通感应加热装置优化设计中的应用进行了研究。为了分析标准遗传算法早熟现象的内在原因,本论文在遗传算法运行过程中动态提取种群统计特征,如代间海明距离等,并应用支持向量机对这些特征的变化进行了分析和预测。研究发现,这些特征的变化与早熟现象的发生具有内在联系。根据种群统计特征的整体规律性、局部不确定性和普遍性,在整体趋势和局部性能两个层面上调整遗传算法的优化策略,提高了算法的收敛率,有效地避免了早熟问题。应用支持向量机对连续运动带材横向磁通感应加热装置的优化设计问题进行了研究。横向磁通感应加热问题涉及到三维涡流场与温度场的耦合计算,以及全局优化设计。本论文对连续运动带材横向磁通感应加热问题进行数值仿真,得到带材表面涡流场分布。为了计算涡流产生的温度场,将运动带材表面各点热源等效简化为两部分,一部分是静态下仅与几何位置相关的热源,即当前固定热源;另一部分是加热的带材进入装置后到当前时段之前的均值热源,是考虑到热交换情况下前面时段热源的简化叠加。本论文应用由这两部分热源的近似形式组成的等效加权热源进行温度场的简化有限元计算,该简化计算方法缩短了耦合温度场数值仿真的时间,得到的温度场分布结果是可信的。将电磁场分析软件的数值仿真结果作为支持向量回归机的学习样本,应用建立的支持向量机回归模型对装置出口处温度均值和温度平均相对误差进行预测,建立了以频率、电流及线圈尺寸参数为设计变量,以装置出口处温度平均相对误差最小为目标函数的优化数学模型。利用改进遗传算法和支持向量回归机对这一数学模型求解,解决了连续运动带材横向磁通感应加热的温度不均匀问题。