随着工业自动化水平的不断提高，工业过程的平稳控制问题基本解决。但由于复杂系统运行中的慢扰动等原因，使大多数系统偏离最优运行状态，必须进行稳态优化寻找最佳操作参数并及时调整，才能使系统保持在最优工况，满足人们对提高经济效益、降低能耗的迫切要求。因此工业过程的稳态优化便成为研究的重点。 本文介绍了工业稳态优化的发展、现状及重要意义，在研究神经网络(主要是BP网络)、遗传算法理论的基础上，针对工业过程非线性、时变性强且机理复杂，很难建立生产目标与操作参数间关系的精确模型的情况，选择BP神经网络建模，并用改进的BP算法训练网络。改进得到的LMBP算法减少了计算量，提高了收敛速度，并通过调整参数值使网络的性能函数值不断减小，最终达到建模的精度要求。 在优化方面，采用遗传算法对由问题变量编码集构成的群体进行操作，实现高效搜索、获得全局最优解。但应用中需要解决其过早收敛的问题，本文提出基于实数编码的改进措施：首先采用实数编码方式，可减小编码转换的误差；然后利用稳态复制策略让父子两代共同参与选择，保留适应度最高的个体，使整个种群表现出不断向最优解变化的趋势；另外由个体适应值决定交叉变异概率的自适应调整以及实行非均匀交叉变异操作，维持种群多样性防止早熟，保证算法的收敛性。 本文用抽余液塔生产过程模拟优化试验来检验改进的NN-GA稳态优化设计方法，经过建模求最优解计算，以及仿真验证并与选文中的结果相比较，证明这是一种比较有效的优化方法，为石油化工生产等复杂系统的稳态优化提供了一点新的思路。 最后，提出了一些关于NN-GA方法和稳态优化研究有待进一步探索的问题。