工业生产中的系统通常具有强非线性、时变性、时滞性和不确定性等特征，传统PID控制方法和现代控制理论都难以达到期望的控制目标，预测控制是为满足工业生产优化控制的需求而发展起来的一类优化控制方法，具有跟踪性能强、控制效果好、鲁棒性强等优点，因而得到了广泛的应用。其中预测模型的建立是整个预测控制的基础，滚动优化是其最鲜明的特征，但是对于复杂多变的非线性对象，其模型结构和参数难以辨识，预测模型的建立存在难点，在实施滚动优化的过程中，非线性控制量的求解问题也十分复杂。　　针对上述问题，本文研究了预测控制中的非线性系统的建模方法和控制量优化问题，提出一种基于改进粒子群算法和径向基函数神经网络的非线性预测控制方法，并将该方法应用于连续搅拌反应釜控制系统中，取得了良好的控制效果。具体研究内容如下:　　针对粒子群优化算法(PSO)在迭代过程中容易陷入局部极值、搜索性能过分依赖于参数设置的缺点，首先对粒子群算法主要参数的选择和设置方法进行了改进，惯性权重采用线性递减法，学习因子采用非对称线性变化法，以调整算法对解空间的全局与局部搜索能力。其次，将遗传算法和混沌算法融合进PSO算法中，提出了遗传粒子群算法(GAPSO)和混沌粒子群算法(CPSO)两种改进的算法。GAPSO算法将遗传算法中的交叉操作与变异操作融合到粒子群的寻优迭代过程中，并采用自适应交叉和自适应变异的方式，增强种群跳出局部最优解的能力。CPSO算法通过混沌序列初始化粒子位置，使PSO算法从较好的初始值开始寻优，同时，在迭代过程中混沌优化部分粒子，以改善PSO算法易陷入局部极值、迭代后期收敛速度慢的缺陷，提高PSO算法的收敛性能和寻优精度。采用标准测试函数对所提出的改进粒子群算法进行仿真测试，验证了GAPSO算法和CPSO算法的寻优性能较优。　　针对径向基函数(RBF)神经网络模型参数难以设置的问题，提出了一种基于混沌粒子群算法优化RBF神经网络的建模方法，该方法采用混沌粒子群算法优化RBF神经网络基函数的中心、宽度以及网络的连接权值、阈值等参数。通过与RBF神经网络、BP神经网络和支持向量机等建模方法进行仿真比较，验证了基于CPSO-RBF神经网络方法对非线性系统具有更高的建模精度。　　针对非线性系统控制问题，提出了一种基于RBF神经网络和GAPSO算法的非线性预测控制方法。该方法利用CPSO算法优化的RBF神经网络建立多步预测模型并预测系统输出值，采用RBF神经网络离线和在线训练相结合的方式，实现了模型参数的在线校正;利用遗传粒子群算法作为滚动优化策略求解目标函数，来获得系统相应的控制量。通过仿真实验验证了GAPSO-RBF神经网络非线性预测控制方法具有较好的综合控制性能。　　最后，把基于GAPSO-RBF神经网络的非线性预测控制方法应用到连续搅拌反应釜(CSTR)的反应物浓度控制中，利用CPSO优化的RBF神经网络建立预测模型并预测反应物浓度，采用遗传粒子群算法对目标函数进行求解，得到未来的控制作用。通过对CSTR控制系统进行仿真实验，结果表明基于GAPSO-RBF神经网络的预测控制方法可以快速、有效地跟踪反应物浓度的给定输入。