聚丙烯在生产生活中的重要地位对聚丙烯生产过程中的产品质量控制提出了更高的要求,其熔融指数(Melt Index,MI)的预报显得尤为重要。本文针对丙烯聚合生产过程中的MI软测量预报建模问题,采用最小二乘支持向量机(LSSVM)、小波神经网络(WNN)和T-S模糊神经网络(T-S)进行建模,然后使用人工智能算法对模型参数进行优化；应用改进的人工智能算法,使预报模型性能得到提高；建立多种智能预报模型,且成功地应用于实际工业数据的预报,为实际生产中的MI软测量预报提供了更多的选择。本文的主要工作及贡献包括：1、针对丙烯聚合工艺生产过程,选取合适的输入变量和输出变量作为熔融指数预报模型的建模变量,随后引入主元分析方法(PCA),对模型输入变量进行简化处理,并确定预报模型的性能评价指标；2、在分析传统的果蝇优化算法(FOA)缺点的基础上,针对性地利用变异思想和改变搜索方式的策略,分析研究了自适应变异果蝇优化算法和改进的果蝇优化算法,并与最小二乘支持向量机、小波神经网络相结合,分别建立基于自适应变异果蝇优化算法优化的聚丙烯熔融指数最优预报模型、基于改进的果蝇优化算法优化的小波神经网络聚丙烯熔融指数最优预报模型,工厂实际生产数据的研究结果表明了所提出的基于果蝇智能的熔融指数最优预报模型的有效性；3、在分析传统的自由搜索算法(FS)不足的基础上,借助自然界灾变的思想,分析研究了改进的自由搜索算法,并与模糊神经网络相结合,建立了基于改进的自由搜索算法优化的模糊神经网络聚丙烯熔融指数最优预报模型,工厂实际生产数据的研究结果表明了所提出的基于改进的自由搜索算法优化的熔融指数最优预报模型的有效性。