随着工业生产的大规模集成化、自动化,人们对控制系统的性能要求不断提高。稳态优化技术根据控制系统的某些指标来寻找或维持工业过程最优工况的设备参数或工艺变量,是一种投资小、效益显著的控制技术。怎样建立准确的系统模型和找到一种有效的优化算法来完成优化设计方案是稳态优化的两个关键的问题。针对工业过程的复杂性、非线性和不准确性,本文采用人工神经网络来智能建模。人工神经网络不仅可任意逼近非线性,且具有大规模并行处理、知识分布存储、自学习能力强、容错性好等特点,其中的多层前向神经网络可以以任意精度逼近任何连续函数,典型的有径向基(RBF,Radial Rasis Function Neural Network)神经网络。RBF网络是一种局部神经网络,其结构简单、训练简洁,而且学习收敛速度快,本文采用资源优化网络来训练径向基函数建模,实现网络结构的精简,保证RBF网络的泛化能力,并通过实验验证。为获得优化参数,本文采用蚁群优化算法来寻优,为了克服蚁群算法易于陷于局部最优和收敛速度慢的缺点对其进行改进,通过自适应的改变信息素的挥发因子及信息素强度来提高算法寻优速度及其全局性。通过对旅行商(TSP,Traveling Salesman Problem)问题31个城市的路线寻优仿真验证了算法的有效性。本文以蓝星石化公司的过氧化氢异丙苯分解单元为优化对象,通过对现场数据的采集和分析,结合生产工艺的要求确定优化参数和目标。应用资源优化RBF神经网络进行系统建模,进而采用改进的蚁群优化算法进行参数寻优,通过实验证明算法的有效性。