加热炉是轧钢生产线上的关键设备,窑炉温度的稳定性对后续工序的正常进行和保证产品质量至关重要。但是由于加热炉是一个大惯性、大滞后、时变的被控对象,这类对象被公认为较难控制。其数学模型相对来说较难建立,采用常规理论和方法进行控制效果不够理想,通常还需辅以操作工的看火经验来调节控制。因此采用新的控制方法改善加热炉炉温的控制性能具有重要的理论和实际意义。遗传算法是通过模拟自然界遗传机制和生物进化而形成的一种过程搜索最优解的算法。其特点是几乎不需要所求问题的任何信息而仅需要目标函数的信息,不受搜索空间是否连续或可微的限制就可找到最优解。因为它自身具有的并行性、鲁棒性、问题无关性、自适应自学习,并可以以很高的概率获得全局最优解的特性,对于解决非线性,多峰值的优化问题显示出很大的优越性。但标准遗传算法收敛速度慢,易陷入局部最优解。为了克服这些弊端,本文尝试改进遗传算法。改进的遗传算法采用实数编码,对选择策略、交叉策略进行了改进,又采取了一些加快收敛和提高运算效率的策略,改进策略具有较大创新性。经过测试,改进的遗传算法在收敛速度和达优率方面都有明显的提高。本文首先通过理论分析方法建立了加热炉炉温对象的数学模型,明确这个模型可以用带有纯滞后的一阶惯性环节来表示,并针对加热炉炉温是个大时滞、慢时变的对象这个不利于控制的特点,设计了一种应用遗传算法在线辨识对象参数、实时优化带有Smith预估补偿器的PID控制器的新策略,并仿真证明了这种策略的有效性。