热轧带钢的力学性能预报始兴于上世纪的70年代,是钢铁冶金行业关注的难点问题,是一项非常复杂的冶金前沿技术,具有广阔的应用前景和深远的科学意义。构建具有较高精度及可靠性的钢材力学性能预报模型,有助于对现有钢种的成分和工艺参数进行优化设计以及设计新钢种,提升带钢产品性能、降低生产成本,增强企业竞争力。热轧带钢的力学性能受成分、工艺等因素的影响,各影响因素之间又相互耦合,作用机理复杂。为此,本文提出了一种融合生产数据与冶金机理的力学性能建模方法,借助生产数据与冶金机理对各因素的影响进行深入剖析,将复杂的高维非线性问题拆分为若干个子问题。利用随机森林算法对热轧带钢力学性能的影响因素进行筛选,实现了对模型的有效降维;采用孤立森林算法对热轧生产过程异常数据进行清洗,提高建模数据的质量;建立热轧带钢力学性能广义可加预报模型,采用三次样条函数对各成分、工艺因素对应的子模型进行拟合,运用局部积分算法对各子模型进行计算和修正,从而分别建立了热轧带钢屈服强度、抗拉强度及延伸率的预测模型。经实验验证,模型具有较高的预测精度与可靠性。提出了一种多精英解引导的多目标鲸鱼优化算法。采用基于反向学习的种群初始化策略使初始解更加靠近真实Pareto前沿;在前沿上通过网格划分并结合拥挤距离最大原则选取多个精英解,对精英解进行交叉变异;再对鲸鱼优化算法进行改进,利用非线性收敛因子加大算法的前期探索力度,提出融合高斯扰动与反向学习的探索策略,以及阿基米德螺旋游走策略来避免解易越界的问题;利用上述改进算法引导非精英解快速靠近精英解。通过与经典算法对比,该算法在多个标准测试函数上均取得了不错的效果。根据构建的力学性能预报模型,对国内某热连轧机组生产的热轧微合金钢的成分、工艺参数进行优化设计,构建了力学性能-成本的多目标优化设计模型。采用多精英解引导的多目标鲸鱼优化算法来求解上述模型,同样取得了良好的表现,有效提高了微合金钢产品的力学性能指标,降低了生产成本,有助于开发出具有更高质量的带钢产品。