随着计算机控制生产过程的迅速发展，能源和原材料的日趋短缺，生产成本的不断提高，工业生产过程中的稳态优化越来越受到人们的重视，它关系到整个生产线的产量、质量和生产成本。然而工业生产过程所具有的高度复杂性、强关联性、非线性、不确定性，以及常伴随着十分苛刻的生产条件和环境，如高温、高压、低温、真空、易燃、易爆、有毒物质，都为保持生产过程的最佳工况带来了困难。本论文以稳态工业生产过程为背景，对粒子群（PSO，particle swarm optimization）算法的优化能力及其在过程控制系统建模、优化中的应用进行了深入的研究。 工业生产过程稳态优化的核心问题是工业生产过程模型的建立和过程控制系统参数的确定。粒子群算法具有实现简单，迭代初期有效的特点适合于工业生产过程的稳态优化，但对于复杂的多峰值优化控制问题，该算法本身具有的“趋同性”易于使问题的解陷入局部极值。本论文在详细分析粒子群算法机理的基础上，提出了基于K-means聚类的免疫粒子群（KIPSO，K-means immune PSO）算法。将K-means聚类算法，用于免疫疫苗的抽取，确定最高平均适应值的聚类中心及其最大邻域，得到符合具有最优个体特征的疫苗集，使疫苗具有了多样性，并以自适应方式确定疫苗集进行疫苗更新，提高算法的适应性；在免疫选择中考虑了群体个体浓度对选择概率的影响，同时也考虑了个体适应值对选择概率的影响，使那些浓度值低，适应值差，却具有较好的进化趋势的粒子得以保留。论文对KIPSO算法的鲁棒性进行了分析，给出了相关参数的推荐值。通过仿真实验分析了KIPSO算法的性能，结果表明KIPSO算法具有良好的收敛性和搜索能力。 采用小脑模型关联控制器（CMAC，cerebella model articulation controller）神经网络对复杂工业过程进行建模，详细分析了CMAC的泛化能力，给出了CMAC神经网络参数，如采样精度、量化精度、泛化常数对泛化能力的影响。应用模糊小脑模型关联控制器（FCMAC，fuzzy CMAC）神经网络改善了CMAC神经网络建模能力受量化精度和存储空间的限制。提出了应用KIPSO算法对FCMAC神经网络权值进行优化调整的建模方法（KIPSO-FCMAC），克服了FCMAC神经网络以误差梯度降为学习算法不能分辨局部极小值的缺点，提高了FCMAC神经网络的逼近能力。深入讨论了KIPSO-FCMAC神经网络参数选择对系统性能的影响，为在过程控制系统建模中的实际应用提供了理论依据。 在详细分析异丙苯氧化单元中过氧化氢异丙苯（CHP，cumene hydroperoxide）分解的工艺过程基础上，以保证工业生产过程安全为前提，在分解单元的液位、压力、温度、CHP流量、粗产品流量的允许范围内，以尽量降低粗产品的温度为目标建立了CHP分解过程的稳态优化模型，并实现了控制变量值的优化。建模方法分别采用CMAC、FCMAC和KIPSO-FCMAC神经网络方法，优化算法采用了线性递减权值粒子群（LDWPSO，linearly decreasing weight PSO）、模拟退火粒子群（SAPSO，simulated annealing PSO）和KIPSO算法。结果表明KIPSO-FCMAC神经网络模型能够以更高精度反映CHP分解过程的内在规律，KIPSO算法具有更好的寻优能力。 最后以KIPSO-FCMAC神经网络建立的CHP分解模型和KIPSO算法寻优得到的控制变量稳态值指导异丙苯氧化单元的参数设置，降低了粗产品温度，提高了系统的运行效率。