发酵工程是生化工程和现代生物技术及其产业化的基础。在发酵工程领域,为了提高发酵水平和生产率,更多的研究工作集中在菌种的筛选和改造上。尽管现代生物技术的发展,在基因工程和代谢工程领域内有了长足的进展,通过诱发变异、基因重组和培养能够得到高产菌株,然而,通过优化模型和控制以使发酵过程产品生产最优仍是发酵工程领域中存在的主要问题之一,因此对生物发酵过程模型优化及优化控制的研究日益受到重视。粒子群优化算法原理简单、易于实现,且适合于复杂优化问题的求解,因此,将粒子群优化算法引入发酵领域进行模型参数估计为发酵过程模型优化提供了有效途径。发酵过程的优化控制目标多种多样(最大生产率、最大终止时刻产量或最高原料转化率等),发酵领域中处理多目标问题的传统方法(目标加权合并、目标转化为约束等)实施困难且易丢失非凸目标函数最优解以至决策失误。基于粒子群优化的多目标算法由于在搜索中具有多向性和全局性,同时可以处理所有类型的目标函数和约束,因此非常适合求解发酵过程中复杂的多目标优化控制问题。本文在分析现有粒子群算法研究现状的基础上,对标准粒子群算法在寻优过程中容易过早收敛、陷入局部最优的现象进行研究,应用能量守恒原理,通过引入粒子最差位置提出了一种群能量守恒粒子群优化算法。该算法根据粒子内能进行动态分群,对较优群体采用引入最差粒子的速度更新策略,加快较优群体收敛速度；对较差群体采用带有惩罚机制的速度更新策略,补偿较优群体速度降低产生的整群能量损失,避免算法陷入局部最优。典型优化问题的仿真结果表明,该算法具有更强的全局搜索能力和更快的收敛速度。对多目标进化算法在寻优过程中的收敛性和分布性问题进行研究,提出一种群能量守恒多目标粒子群优化算法。该算法在粒子速度和位移计算中引入粒子群体能量守恒机制,并将该机制同非支配排序方法、自适应网格机制以及精英保留策略进行有机结合,提高粒子搜寻能力,避免陷入次优非支配前沿。将该算法和非支配排序遗传算法分别作为子种群进化规则,构造基于种群间优劣互补的多目标协同进化算法。与经典多目标进化算法的比较测试结果表明,所提算法具有更好的解分布性和收敛性。在发酵过程优化控制方法研究上,针对批次发酵过程模型不准确和过程参数不稳定特点,利用批次流加过程中的反复迭代特性提出一种用于批次流加发酵过程的批次间协同优化控制方法。该方法将群能量守恒粒子群算法、多目标粒子群算法和批次间优化控制有机地结合起来,用上一轮批次流加发酵过程的数据进行过程模型参数辨识,并将更新的过程模型用于新一轮发酵过程中进行操作条件优化。基于工业酵母发酵过程仿真模型进行批次间协同优化控制方法实验,结果表明该方法有效地解决了批次流加发酵过程中的模型不准确和状态不稳定问题,实现了批次流加发酵过程优化控制。本文所提出的群能量守恒粒子群算法具有更强的全局搜索能力和更快的收敛速度；所提出的群能量守恒多目标粒子群优化算法具有很好的收敛性和分布性；基于群能量守恒粒子群算法和进化多目标协同算法的批次间协同优化控制方法为生物发酵过程优化控制提供了有效途径。