针对水泥工业生产中面临着高污染、高能耗的问题,如何有效改善环境,提高水泥生产效率已成为行业关注的焦点。高温水泥熟料的冷却以及伴随产生的热量回收便是亟需解决的问题,水泥篦冷机便是解决上述问题的关键设备。水泥篦冷机熟料气固换热过程直接影响水泥的质量和生产的能耗,将水泥篦冷机中气体和固体热量交换过程中涉及的重要参数进行优化,可以很大程度上提高篦冷机的换热效率,减少污染物的排放。基于传统机理分析的方法难以建立其模型,很难实现对工况的优化调整,群智能优化算法在系统建模和问题优化中则得到良好的应用,受到各界广泛的关注和研究。因此深入研究群智能优化算法,并将其应用于篦冷机模型辨识和参数优化中,对篦冷机换热效率的提高具有重要的理论指导意义和实际参考价值。本文的主要研究内容如下:首先,针对多目标粒子群算法收敛精度不高、搜索性能差等问题,提出一种基于速度交流的多种群多目标粒子群算法(research on multi-population MOPSO algorithm based on velocity communication,MVCMOPSO)。该算法引入速度交流机制,将种群划分为多个子种群以实现速度信息共享,改善粒子单一的搜索模式,提高算法的全局搜索能力。采用混沌序列优化惯性权重,提高粒子搜索遍历性和全局性,为降低算法在运行后期陷入局部最优Pareto前沿的可能性,对各个子种群执行不同的变异操作。将算法与多个先进多目标优化算法进行对比,实验结果表明该算法得到的解集具有更好的收敛性和分布性,为篦冷机参数优化提供算法基础。其次,针对灰狼算法易陷入局部最优,全局优化能力差的问题,提出一种改进的多种群灰狼算法(Multi-population gray wolf algorithm,MPGWO)。算法将单种群划分为多种群,利用混沌序列初始化各子种群,为防止算法早熟收敛,对各子种群的决策层个体进行反向学习变异,引入竞争策略动态更新各种群决策层个体,提高算法的全局寻优能力。采用改进的多种群灰狼算法优化极端学习机的输入权值和隐含层阈值参数,以提高模型的预测精度和泛化能力,建立MPGWO-ELM预测模型。并利用样本数据集对模型的有效性进行验证,经过实验仿真可以看出,所建立的MPGWO-ELM预测模型具有很高的辨识精度,也具有很强的泛化能力。为后续建立篦冷机关键参数预测模型做充分的准备。最后,采用MPGWO-ELM辨识模型分别建立水泥篦冷机二次风温度和出料口熟料温度的辨识模型;利用改进的MVCMOPSO算法对篦冷机参数进行优化,找到使被控变量达到最优值的控制变量的值。通过对水泥篦冷机二次风温度和出料口熟料温度及换热效率的分析,验证对篦冷机关键参数进行优化的必要性和算法的有效性。