复杂工业过程存在反应机理复杂、原料成分波动大、时滞大和耦合性强等问题,所以复杂工业过程优化问题通常难以建立数学模型。比如电熔镁炉采用埋弧方式,电极埋入原料中边熔化边加料,所以难以建立以熔化电流为决策变量单吨能耗为性能指标的优化模型。此外,复杂工业过程通常包括多个生产设备或过程,面临效益、质量、环境以及安全等多方面的挑战。比如电熔镁砂生产企业采用多台群炉的生产方式,每台炉的最佳熔化电流决策涉及到产品质量、产量和电能能耗的冲突目标决策,多台炉最佳熔化电流决策涉及到高维多目标优化问题。因此,需要研究数据驱动的优化方法和以电熔镁炉为研究对象的数据与模型双驱动的智能优化方法。本文在国家973计划项目“复杂生产制造全流程一体化控制系统整体控制策略与运行控制方法（2009CB320601）”、国家自然科学基金项目“基于数据与模型的复杂工业过程的整体优化控制研究（61020106003）”的支持下,以电熔镁炉为背景,研究数据与模型驱动的智能优化方法,取得的主要成果如下:一、针对难以建立数学模型、多决策变量即高维和高维且多目标优化问题,开展了进化算法研究,改进了已有进化算法的代理模型,结合改进的代理模型提出了三种进化算法,采用标准测试问题与已有的进化算法进行了仿真对比实验,结果表明了所提算法的有效性。主要成果如下:1)针对难以建立数学模型的优化问题,进化算法通常通过历史数据建立代理模型。为了提高求解的精度,本文将多项式和高斯过程代理模型相结合,提出了改进的代理模型,在此基础上提出了基于改进代理模型的进化算法。该算法首先利用高斯过程模型筛选进化算法搜寻到的个体,然后再利用二阶多项式模型验证高斯过程模型找到的有潜力个体,该过程反复交替进行,直至达到停止准则。采用9个标准测试问题对所提算法、基于多项式的进化算法和基于高斯过程模型的进化算法进行了比较,实验结果表明所提算法在测试问题中获得最好的超体积指标值,优于其他两种进化算法。2)针对在采用高斯过程模型为代理模型的进化算法求解多决策变量即高维优化问题时难以准确预测不确定度的难题,提出了新的代理模型——异构集成模型。该模型首先采用特征选择和特征提取方法变换输入特征,然后利用最小二乘支持向量机和两种径向基函数神经网络分别对原特征、选择的特征以及提取的特征建立模型,该模型由9种不同模型加权组成。在此基础上,提出了基于异构集成模型的进化算法。采用16个高维标准测试问题对所提算法与高斯过程模型为代理模型的进化算法进行仿真对比实验,实验结果表明基于异构集成模型的进化算法在测试问题中均好于基于高斯过程模型的进化算法,并且减少了求解时间。3)针对高维且多目标优化问题,本文提出了新的代理模型——高效的随机失活神经网络（dropout neural network）模型。神经网络对决策变量数量和目标数量的可扩展性更好。该高效的随机失活神经网络在训练和测试过程中均随机丢掉神经元,因此该神经网络能够同时输出函数预测值及置信度。与预测置信度的传统随机失活神经网络相比,本文方法可确保在优化求解过程中无需存储和更新大量的神经网络,降低了计算复杂度。在此基础上,提出了基于高效随机失活神经网络的进化算法。采用16个高维多目标的标准测试问题开展了所提算法和以异构集成模型和高斯过程模型为代理模型的进化算法的仿真比较实验,实验结果表明基于高效随机失活神经网络的进化算法在求解高维多目标优化问题时在求解精度和求解时间方面均优于其他两种进化算法。二、在上述改进进化算法的基础上,结合电熔镁炉单吨能耗指标优化问题,提出了数据和模型双驱动的智能优化方法,采用实际数据与基于改进代理模型的进化算法进行了仿真比较实验,实验结果表明数据与模型双驱动的优化方法明显优于基于改进代理模型的进化算法。主要成果如下:1)利用某一炉次单吨能耗的静态模型建立了以熔化电流为输入单吨能耗为输出的不同炉次单吨能耗动态模型。系统辨识与逐步配置的随机网络相结合,建立了单吨能耗预报模型。2)将单吨能耗预报模型和高斯过程代理模型相结合,即将机理知识与数据模型相结合,在此基础上提出了数据与模型双驱动的电熔镁炉单吨能耗智能优化方法。3)采用电熔镁砂生产过程的实际数据,对所提出的智能优化方法进行了仿真实验,并与基于改进代理模型的进化算法进行了仿真比较,仿真结果表明所提智能优化方法能够更快速地搜寻到最佳熔化电流值,在求解时间方面优于基于改进代理模型的进化算法。