随着石化企业管理水平的不断提高,炼厂生产计划优化引起越来越多学者的重视,但目前大部分研究均集中于优化模型的改进和问题规模的缩减,针对优化算法的系统研究还不多见。因此本文在综述炼厂生产计划优化的研究现状后,对遗传算法求解带非线性和不确定性的优化问题进行了尝试,并在此基础上设计了集成遗传算法优化平台,实现工厂级实例的求解。全文共由六章组成：第1章阐述了炼厂生产计划的工业背景和基本概念,以及数值优化算法的研究和应用现状。接着综述了遗传算法在该领域的应用,并介绍了基于仿真优化架构。针对当前研究的不足,提炼本文的创新点。第2章详细介绍基本遗传算法的思想、原理和步骤,并重点归纳典型的约束处理策略和加速求解策略。进一步,总结实验验证的遗传算法参数设置经验,为后文的求解应用提供了借鉴。第3章援引相关文献,建立石化生产中重点装置的非线性经验模型,并细化储罐模型的描述,增加对应的大量不等式约束。改进优化算法,构建一种两阶段的约束处理策略,同时混合直接搜索方法提升了局部收敛速度。第4章对炼厂需求和产率的双重不确定性条件进行建模,采用基于仿真优化架构。深入研究Monte Carlo仿真的合理采样次数,并引入马尔可夫链的产率波动模型。提出多种群并行求解的加速策略,优化了算法的求解性能。第5章针对遗传算法尚未有大规模工程应用的现状,进行集成优化平台的开发。建立以现场数据为基础的工厂模型,针对模型特点设计以遗传算法为核心的优化子系统。最后根据软件质量评价的关键指标横向对比其他优化软件,说明其应用价值。第6章最后在总结全文的基础上,展望了遗传算法在炼厂生产计划优化应用领域未来的发展方向。