径向基函数(RBF)神经网络具有结构简单、可以逼近任意非线性系统等特点,使其成为一种不依赖于控制对象模型的有效工具,适合于对水处理系统这类非线性不确定系统进行控制。然而RBF神经网络的缺陷也是存在的,一方面初始参数的设定对RBF神经网络的模型确定具有至关重要的作用。另一方面RBF神经网络传统的学习算法如K-均值算法依赖于事先给定的初始样本数据的聚类个数以及聚类中心向量,并且K-均值算法只是一个粗略搜索过程容易陷入局部极小值,这就直接的影响到了RBF神经网络的最终训练结果。本文将采用改进的蚁群聚类算法来优化K-均值算法,并用优化后的学习算法对RBF神经网络进行训练,然后将基于优化学习算法的RBF神经网络PID控制器应用到对水处理PH值的控制中,实验结果验证了该控制方法的可行性和有效性。本文首先介绍了RBF神经网络和蚁群聚类算法的研究现状,RBF神经网络的模型原理和优缺点以及K-均值学习算法的基本思路和实现步骤。并重点介绍了两种原理下的蚁群聚类算法以及BM模型和AM模型,之后在AM模型的基础之上采用了一种改进的蚁群聚类算法(Improved Ant Colony Clustering, IACC该算法对基于AM模型的AAC算法进行改进,在原有AM模型的基础之上给蚂蚁增加了一种“休整”状态,减少了人工蚂蚁因找不到合适地方进行睡眠而盲目游走所消耗的时间,加快了聚类形成的速度,提高了聚类的质量。通过对三种数据集的仿真实验验证了IACC算法聚类速度快,聚类质量好的特点。进而运用IACC算法对RBF神经网络的K-均值学习算法进行优化,并运用优化的K-均值学习算法对RBF神经网络进行建模,通过对非线性函数的拟合和逼近实验来验证优化RBF神经网络的优越性。最后设计了基于优化RBF神经网络的PID控制器并将其应用到水处理PH值控制系统中,通过MATLAB的SIMULINK模块进行仿真,仿真结果表明优化的RBF-PID控制器在鲁棒性、稳态精度、抗干扰等方面具有明显的优势,不但可以使系统具有较小的超调量,PH值达到了国家的标准而且响应时间短达到平稳状态的速度快,调节精度高,具有良好的自愈能力。