本文研究的主要内容是将满意优化方法用于发酵过程的操作变量优化。在实际的优化问题中,由于存在着大量的复杂因素,难以建立精确的数学模型获得最优解,或者获得最优解的代价得不偿失,甚至有些情况下不存在传统意义下的最优解。于是,采用满意优化方法求问题的“满意解”成为解决这类问题普遍采取的优化策略。首先概述了目前的最优化技术,分析了最优化理论的一些局限性,综述了满意度研究的发展现状,研究对象及研究方法。给出了满意解和满意度的定义,以及常用的满意度函数的表示形式。介绍了满意度原理在各领域的应用,并将其与最优化理论进行了对比分析。在满意度原理的基础上,深入讨论了满意优化方法,给出了满意优化问题的一般求解过程。通过分析传统的多目标优化方法,给出了多目标满意优化问题的求解策略。分析了满意优化与遗传算法的特点,给出了以满意优化与遗传算法相结合来求解满意问题的方法。以谷氨酸发酵过程为研究对象,针对其特点,结合生产批报数据,采用神经网络对发酵过程进行建模,用于发酵过程中状态变量的估算和预测。在已知初始条件下,可以借此模型进行仿真以估计产物浓度、菌体浓度、基质浓度的变化趋势。基于所建立的神经网络预估模型以及遗传算法寻优技术,分别对产酸率和转化率进行优化,确定操作变量在单目标下的最优值。结合满意优化理论,建立谷氨酸发酵过程的多目标满意优化模型,确定各个目标的满意度函数表示形式,采用遗传算法进行寻优计算,达到两个目标同时优化的目的。仿真结果表明了该方法的有效性和实用性。