建立准确的模型对化工过程的理论研究和实际应用都具有重要的意义。但是，化工过程往往机理十分复杂，很难对其建立准确的模型。在实际生产中，对于一些过于复杂的过程，生产者或工程师们可能更希望能依据生产过程的实测数据建立一个适用于他们这套加工装置的模型，对所建模型的最大要求就是尽可能的与生产数据吻合。神经元网络建模不需要考虑机理，根据样本数据即可建立起过程模型。本文重点研究了广义回归神经网络(General Regression Neural Network，GRNN)的网络结构及其网络参数的优化；系统论述了遗传算法(Genetic Algorithms，GA)，并且引入了优进策略，将其应用于GRNN网络参数的估计和优化；对智能体技术(Agent)进行了研究，引入了智能体技术实施遗传算法，并将其应用于GRNN网络参数的估计和优化。全文主要内容如下： (1)广义回归神经网络(GRNN)不需设定模型的形式，其隐回归层由训练数据确定。隐回归单元的核函数中有光滑因子参数σ，常用优化方法估算。本文对GRNN提出了改进，并采用常规优化方法共扼梯度法和powell法对网络参数进行优化，建立了GRNN-CGrad模型和GRNN-Powell模型。因为分别考虑到了自变向量的各维对模型的影响，所建的模型具有良好的回归效果。 (2)GRNN在结构上与径向基网络(Radial Basis Function Networks，RBFN)较为相似，但有更明确的概率意义，因此同时本文也对RBF神经网络进行了一定程度的研究，将偏最小二乘回归(PLSR)引入RBF网络中，建立了RBF-PLSR模型。由于PLSR从原有自变量数据矩阵中提取相互正交的成份，并略去方差非常小的成分，从而消除了原有自变量间所存在的复共线性，使回归过程更加稳健，所建模型具有很强的泛化能力。 (3)针对常规遗传算法(SGA)局部寻优能力差，易早熟，效率不高的弱点，引入了一系列优进策略，包括增加Powell寻优算子，改进交叉算子，自适应地调整交叉率和变异率等，设计了一种优进遗传算法(Eugenic Evolution Genetic Algorithms，EGA)，并将其应用于GRNN网络参数的优化，建立了GRNN-EGA模型。从而解决了使用常规方法对GRNN网络参数优化时易陷入局⑧浙江大学硕士学位论文部最优的问题，而且由于引进了优进策略，大大减少了建模过程中的运算量，所建的模型效果更好，更加稳健。 (4) Agent作为一种智能主体，它具有知识和自主动作的能力，能从其所在的环境中获取信息并对之进行操作，并为既定的任务/目标所驱动。本文构建了用以实施遗传算法的多Agent系统(MAgent一GA)。试验结果表明，构建多Agent系统实施遗传算法，可以充分利用进化过程中所产生的信息，智能地在个体空间中进行搜索，较之常规遗传算法，它具有更好的搜索性能，能更迅速地找到全局最优解。并将其应用于GRNN网络参数的优化，建立了GRNN一MAgent一GA模型。 文章最后对所做的工作进行了总结，并在此基础上，提出了今后的所究发展方向。