1、聚丙烯在生產(chǎn)生活中的重要地位對聚丙烯生產(chǎn)過程中的產(chǎn)品質(zhì)量控制提出了更高的要求，其中熔融指數(shù)(Melt Index，MI)預報顯得尤為關鍵。本文研究了丙烯聚合生產(chǎn)過程中的MI軟測量預報問題，針對生產(chǎn)過程的高度非線性和復雜性采用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡進行建模，然后使用人工智能優(yōu)化算法進行模型結構優(yōu)化；本文提出了若干改進的人工智能優(yōu)化算法，算法有效的改善了模型結構、提高了模型的預報性能；得到的模型都能成功的應用于實際工業(yè)數(shù)據(jù)的預報工作，

2、為實際生產(chǎn)中的MI軟測量預報提供了諸多選擇。
　　 全文主要工作及貢獻如下：
　　 (1)針對丙烯聚合生產(chǎn)過程進行變量提取，利用RBF神經(jīng)網(wǎng)絡建立起MI軟測量模型；隨后引入主元分析方法(PCA)，對模型輸入變量進行簡化處理后再建立MI預報RBF神經(jīng)網(wǎng)絡模型.研究結果表明了RBF預報模型的有效性和PCA方法在簡化模型、提高模型性能方面的積極作用。
　　 (2)基于粒子群(PSO)算法和模擬退火(SA)算法，根據(jù)兩者

3、各自在全局搜索和局部搜索方面的優(yōu)劣特點，提出了一種MPSO SA算法用于MI預報RBF神經(jīng)網(wǎng)絡模型結構優(yōu)化，得到的MPSO SA-RBF模型具有很好的預報效果與推廣泛化能力。研究結果證明了PSO算法與SA算法結合的有效性和MPSO SA-RBF模型在實際生產(chǎn)中的良好預報效果。
　　 (3)基于蟻群(ACO)算法提出了一種自適應ACO算法用于MI預報RBF神經(jīng)網(wǎng)絡模型結構優(yōu)化，優(yōu)化后的模型具有很好的性能；考慮到單一RBF神經(jīng)網(wǎng)絡模