随着计算智能理论的发展，将计算智能理论用于解决工程问题已成为其研究的首要任务。而流程工业中建模与优化技术对于水泥企业具有重要的现实意义，它的不断完善和应用可以带来十分可观的经济效益。对于具有多样的信息模型、多变量和强耦合特性，以及庞大计算量的复杂流程工业过程，采用单一的过程建模与优化手段的作法显然无法满足生产要求。随着多学科相互交叉和渗透，将高效的建模与优化技术和计算智能相结合已成为必然的趋势。鉴于实际流程工业建模与优化问题的复杂性、约束性、非线性、建模困难等特点，寻求合适的建模与优化方法已成为计算智能学科的一个主要研究目标。 近年来，随着数据挖掘技术应用领域的不断扩大和技术的不断发展，计算智能的相关算法也逐渐地应用到数据挖掘当中。本课题正是在数据挖掘思想的指导下，应用计算智能领域的概率增强式程序进化(ProbabilityIncrementalProgramEvolution，PIPE)算法和模拟退火(SimulationAnnealing，SA)算法建立和优化水泥分解炉生产过程的柔性神经树(FlexibleNeuralTree，FNT)模型。该模型的建立可以稳定水泥分解炉的生产过程，提高生料的分解率，节约用煤量。课题研究的过程如下： (1)实地考察水泥生产线的生产过程，详细了解分解炉的生产过程特点。 (2)收集流程工业和分解炉的相关资料，对流程工业和分解炉的研究现状进行分析比较。发现目前应用的神经网络和模糊控制等方法，都需要对水泥分解炉的生产过程有十分透彻的了解，找到关键的生产参数，才能得到比较好的结果。这样人为的经验对结果的好坏就产生了很大影响，也不利于改善对参数之间的关联性认识，发现新的联系。 (3)针对现有方法的缺陷，积极寻找新的解决方法。提出利用FNT模型建立分解炉生产过程的方案。FNT模型的优点在于它能够实现对参数的自动筛选，这样就可以减少人为因素的干扰，同时也有利于发现参数之间未知的关联，对实现生产过程的优化控制有很大帮助。 (4)在分析比较多种优化算法的基础上，确定应用PIPE和SA算法优化FNT模型的结构和参数。 (5)对分解炉的相关参数数据做清洗，转换，延时和归一化处理，载入数据仓库，为数据挖掘工作做好准备。建立分解炉生产过程模型。 实验结果证明本文提出的方案可以迅速建立水泥分解炉的生产过程模型，实现参数自动筛选，而且模型的性能是稳定的，可以达到稳定生产，优化控制，节约能源的目的。