对于化工生产过程系统这种典型的复杂系统而言,优化方法是一种能提高其系统性能的有效手段。优化技术对其效率的提高、能耗的降低、资源的合理利用及经济效益的提高等均有显著的效果。但是随着化工过程目标问题的规模越来越大,模型结构也越来越复杂,实现系统的最优化也越来越困难,对现有的优化方法提出了挑战,因此对高效的智能化的优化技术的需求日益迫切。针对这一问题,本文采用一种较新的智能优化方法,即蚁群优化算法(Ant ColonyOptimization,ACO)来对化工生产过程进行优化。蚁群优化算法以其优越的问题分布式求解模式在组合优化问题的求解中取得了极大成功,但很多化工过程上的实际问题通常表达成一个连续的最优化问题。如何拓展蚁群优化算法的功能,使之也适用于连续问题,此为亟待应对的挑战,这也是本文的主要研究内容。本文首先从生物学原理和数学原理两方面对基本蚁群优化算法进行了深入地分析,并建立了其数学模型和程序框架。然后讨论了基本蚁群算法的离散本质,以及用其解决连续域优化问题的主要思路。在此思路的指导下,提出了一种改进的连续蚁群优化算法。并选用典型的连续域优化问题,将其与基于网格划分策略的连续域蚁群算法的有效性进行了比较和验证。之后运用算法融合思想,将蚁群优化的基本思想与神经网络相融合,用改进的连续域蚁群算法对神经网络的权阈值进行了优化,弥补了BP网络易于陷入局部最小的缺点。并用实例验证了这一新的连续蚁群BP网络的可行性。最后将之前提出的改进的连续蚁群算法和基于此算法的BP网络分别运用与丁烯烷化过程的优化和热偶精馏塔的模拟优化,并用MATLAB语言编写了仿真程序。本文提出的此种改进的连续蚁群算法原本只能应用于无约束的连续域优化问题的求解,本文提出将其应用于带约束的丁烯烷化过程的优化,解决了算法适应问题,仿真结果显示,求解的稳定性和全局优化性能良好。而在热偶精馏塔的建模中,新的连续蚁群BP网络也体现了良好的预测效果,具有足够的精度模拟其生产过程。