工业炉是工业生产中非常重要的设备,其温度控制在生产过程中尤为重要,但工业炉炉温系统具有很强的非线性、强耦合性和延迟特性,很难对其进行准确建模,使得其温度控制品质难以保证。预测控制方法不依赖于精确模型,采用滚动优化的方式,利用滚动的有限时间段优化取代一成不变的优化,更符合实际生产工况。神经网络是根据历史数据构建的模型,能精确逼近不确定非线性模型,可以将神经网络作为其预测模型。基于上述情况,本文主要做了以下几个工作:（1）由于神经网络具有很强逼近非线性能力,但是自身训练过程中,采用传统反向传播算法（Back Propagation,BP）进行训练,在训练过程中受到网络权值和阈值的初值影响导致训练陷入局部极值。针对此问题,本文采用遗传算法（Genetic Algorithm,GA）对网络权值和阈值进行初始化,提高模型的收敛性和精度。（2）根据牛顿拉夫逊算法（Newton-Raphson,N-R）容易陷入局部极值的特点,本文采用融合粒子群算法（Particle Swarm Optimization,PSO）和N-R算法实现多步预测控制,首先利用PSO算法进行初步寻优作为N-R的初值迭代计算,得到步长内的控制量,将该步长内的控制量作为下一个步长PSO迭代计算的全局最佳位置的初值,通过仿真验证本文的融合算法既解决了N-R依赖初值的问题,又降低了PSO的运算时间成本,提高了控制精度和时效性。（3）在实际生产过程中,由于系统存在着不同的约束条件,增加了控制的难度。对于含约束条件的控制系统实现多步预测控制本文利用内点法对约束条件进行转换,构建惩罚项,变换原有的性能指标函数,再结合PSO+N-R算法实现滚动优化,更是适应于实际工况。（4）将融合算法应用到实际中,采用数值模拟仿真的形式,借助工业炉模型产生数据。将此模型作为黑箱处理,认定模型未知,利用神经网络进行逼近,通过数字模拟仿真,表明本文所提出模型的改进融合算法的优点,达到需要的控制效果。最后结合实际工业炉的项目需求,使用MATLAB的GUI开发工具包,设计人机交互界面。