复杂工业生产全流程运行优化与控制过程中,各个生产过程的局部优化难以保证整个工业流程的优化,目前对工业生产进行优化控制的研究大多数停留在工序的局部优化控制阶段,而对整个工业生产过程的全局优化控制研究很少。因此为了实现在不确定性复杂的情况下生产全流程的全局优化与动态校正,对工业过程运行指标决策过程的研究至关重要。为了协调各个生产过程的运行指标从而解决企业所关注的与生产全流程产品质量、产量、效率和消耗等综合生产指标等相关的优化问题,许多专家学者提出很多基于知识的方法,但这些方法并不能很好地对工业过程中存在的先验知识进行建模,因此不同程度的遭遇了“知识瓶颈”。本文针对存在的问题,依托国家自然科学基金项目“数据驱动的复杂工业系统运行优化控制及应用（61525302）”,开展复杂工业生产全流程运行指标优化决策方法研究,提出基于生成对抗网络（Generative Adversarial Networks,GAN）的动态校正模型,能够在动态不确定性下实现全局优化和动态调整操作,主要工作如下:1)给出了关于复杂工业过程运行指标动态校正的问题描述;并针对该问题,提出复杂工业运行指标动态校正的三个目标,用于评价模型性能;提出基于生成对抗网络GAN的复杂工业过程运行指标动态校正策略;给出基于变分推理原理（Variational Inference）的策略价值函数推导。2)提出决策生成对抗网络DMGAN（Decision Making GAN）框架,该框架包括一个编码器、一个生成器（也称决策器）及两个判别器,其中两个判别器分别对潜变量空间与决策空间进行约束。在DMGAN中,通过两个对抗学习准则及三个循环一致性准则来进行学习和推理过程以实现潜变量空间与目标决策空间的双映射、目标空间到决策空间的单映射过程;为了匹配与日益增长的工业复杂度,提出深度神经网络RU-Net（Reinforced U-Net）来提高生成器模型的泛化能力,在原来的U-Net基础上进行三个方面的改进:一个更加通用的混合函数模型、特征提取层的模块设计化以及Drop-Level规范化训练准则,其中,混合函数与模块化设计用于增强局部表征能力,而Drop-Level方法可以防止RU-Net出现过拟合;提出知识相似度评估手段KDA（Knowledge Dissimilarity Assessment）,基于 Parzen Window 概率密度估计和互信息（Mutual Information）用于评估产生的校正决策空间与实际运行知识间的差异程度,除此以外,提出基于MSE（Mean Square Error）的两种手段来多维度评估运行指标动态校正过程的性能表现;利用选矿过程的实际生产数据作为测试平台,仿真实验和对比实验表明所提DMGAN有效性及多功能性。3)提出复杂工业过程运行指标任务驱动的多步动态校正模型RAGAN（Recurrent Attention GAN）,该模型包括 DA（Distributed Attention）机制与 RAAE（Recurrent Adversarial Auto-encoder）框架;提出分布式注意力DA机制,并在该机制基础上建立感知网络包括编码器读入网络、决策智能体读入网络与条件读入网络、决策智能体写入网络、和判别器读入网络与条件读入网络,其中读入网络与条件读入网络分别实现对输入运行指标变量、条件变量的动态选择以产生相应的感知区域而写入网络则实现对CCM（Cumulative Canvas Matrix）矩阵的部分修改,采用强化学习来训练基于DA机制的网络结构如何合理分配感知资源;采用LSTM（Long Short-Term Memory）构造编码器、决策智能体及判别器,其中决策智能体基于对感知网络所感知工业运行状况的来更新LSTM中MC（Memory Cell）产生的中间状态,该中间状态用于指导各个感知网络在下一时间步长下的动作,包括基于DA机制感知网络所需参数以确定下一时刻下感知网络如何分配感知资源、与编码网络顺序连接构成递归自编码器RAE（Recurrent Auto-encoder）以实现对现有决策空间的重构动作和在时间步长产生基于当前条件变量的运行指标校正值以更新初始决策值的智能体与环境交互动作;奖励值则监督学习与强化学习构成的混合损失函数组成;提出一种新的递归GAN框架RAAE,该框架采用递归方式构造GAN模型与递归自编码网络,并且在GAN模型中递归判别模型能够与当前生成器达到纳什均衡以促进RAAE模型性能提高;利用选矿过-程的实际生产数据作为测试平台,仿真实验和对比实验表明所提RAGAN有效性。