间歇过程作为重要的生产过程,在国民经济中起着重要的作用。基于数据的间歇生产过程优化控制方法,主要解决难以建立过程模型或拥有大量历史数据的复杂间歇生产过程的优化控制问题。该类方法通过数据挖掘技术对数据进行有效的统计、评估和利用,从而实现间歇生产过程的优化控制。因此,研究基于数据的间歇过程优化控制方法具有重要的理论与现实意义。本文以间歇过程为背景,首先介绍了无模型自适应控制的基本理论与相关算法,并将其思想应用到过程级,以解决无生产先验数据条件下的无模型自适应优化控制问题。在此基础上,针对该方法难以解决存在非线性约束的过程优化控制问题,通过引入惩罚函数的策略,将有约束优化问题转化为无约束优化问题,完善了基于无模型自适应控制的优化控制方法,实现对间歇过程的优化控制,仿真结果证明了该方法的有效性。通过无模型自适应控制的优化控制方法,可以在无数据条件下逐步积累不同工况的优化控制数据,利用上述数据建立优化控制案例库,并引入粗糙集理论对已有的案例库进行约简,以提高案例库的适应性,当实际的工况发生变化时,通过检索与目标案例匹配的工况实现优化控制案例的重用,从而有效指导生产。针对新的工况,为了更有效地通过无模型自适应控制的优化控制方法获得优化控制操作,将案例库中匹配度最高的案例决策作为基于无模型自适应控制的优化控制的初值,仿真结果验证了方法的有效性。通过对案例重用后所得实际生产结果评估,针对案例重用后结果较差的情况,以此案例决策作为基于无模型自适应控制的优化控制的初值,重新利用该优化控制方法进行优化,仿真结果证明了方法的有效性。综上,论文完善了基于无模型自适应控制与案例推理的优化控制方法,有效解决了仅有一个参考初值情况下基于数据的间歇过程优化控制问题。