生物发酵过程机理复杂、复现性差、波动大。微生物浓度和产物浓度等关键变量的在线检测困难，阻碍了过程控制方案的有效实施。若采用密集离线测量的方案则劳动强度则太高，对于采用多罐并行操作的大型工厂，尤不可取。所有这些都加大了生物发酵过程调度优化的实施难度。 同微生物浓度、糖耗和产物浓度等过程变量相比，效益函数能够更好地反映过程的经济行为、描述过程的投入和产出的关系，是过程运行状态的最直接的、最灵敏的一个指标，是发酵过程的一个特征变量。获得它的实际值和预报值对于过程的调度优化将十分有利。 本文以青霉素发酵过程为例，采用人工神经网络，研究了一种滚动学习的预测方法，较好地解决了过程关键状态如产量和产物浓度等的宽区间、高精度预报问题。然后对于效益函数的在线计算作了详细的分析介绍，并基于产物浓度的预报值计算得出了效益函数的预报值。为了实现过程的调度优化，文章提出先采用效益函数的变形——分类函数将运行中的各罐批在线区分为高效益、平均水平罐批及低效益罐批(亦即优中劣)三类。基于分类结果，进一步给出了一种调度优化方法，使发酵过程改传统的、发酵周期固定的生产方式为发酵周期可变的生产方式。通过延长高效益罐批的发酵时间，及早终止低效益罐批和故障罐批的运行，从中挖取过程潜在的经济效益。该方法的实施对上下工段的排班和负荷不会产生任何干扰。通过对实际过程数据的拟动态仿真证实了这一在线分类及调度优化决策方法的可行性和优越性。