农业是国民经济的基础,关系国家的发展和社会的安定。农药是保证提高农业单产的重要物资,而氧乐果是农业生产中使用较为广泛的一种农药,其质量的优劣对农业生产有着较大的影响。氧乐果合成反应釜温度控制的好坏将直接影响产品的质量,那么为其合成过程建立较好的模型,实施精确地控制将有利于提高生产效率和产品质量,节约生产成本,产生显著的经济效益。氧乐果合成过程属于典型的间歇生产过程,反应釜温度对象具有多变量、非线性、时变、大滞后等特点。用常规的方法建立其模型比较困难,采用传统的控制方法也达不到满意的控制效果。近年来,模糊逻辑、神经网络、智能进化算法等理论方法及其综合集成,为此类复杂对象的建模和控制提供了有效的途径。本文将神经网络、粒子群算法、模糊逻辑相结合对氧乐果合成反应温度对象进行建模和控制。首先针对标准PSO算法的缺陷,在文献舍弃了速度项改进算法的基础上对惯性权重采取动态调整策略,并用基准函数进行测试,结果表明改进后的PSO算法收敛速度更快,搜索精度更高。其次对氧乐果合成反应特性进行分析,鉴于改进后PSO算法的优越性能,将其与回归BP网络结合,对合成反应的温度对象进行辨识,建立了氧乐果合成过程的PSO—回归BP网络模型,并与静态BP模型进行对比,实验结果表明该模型结合了粒子群算法的全局寻优能力和BP算法的局部搜索优势,同时体现了系统的动态性能,模型误差小,网络泛化能力较强。然后根据模糊神经网络(FNN)原理，对氧乐果合成过程设计了FNN控制器。FNN将模糊控制规则和隶属函数的参数搜索优化问题转化成神经网络参数优化问题,依据PSO训练神经网络参数的方法,利用从实际生产过程中采集的数据,采用本文改进的PSO算法优化训练FNN控制器参数。最后将该控制器与温度对象的辨识模型组合起来构成氧乐果合成反应温度控制系统,并在MATLAB环境下进行仿真研究,结果表明此控制方案可以达到较满意的控制效果。