为充分利用集控中心风机(Supervisory Control and Data Acquisition, SCADA)系统采集的数据，采用智能化的机器学习算法，挖掘集控中心海量数据，提出基于机组运行状态特征参量数据挖掘和支持向量回归算法(Support Vactor Regression, SVR)结合的机组状态监测模型。该模型采用基于灰色关联度算法构建风电机组特征参量，然后建立 SVR 数据模型，模型以机组功率、叶轮转速、桨距角为输出向量，特征参量为模型的输入向量，采用遗传算法结合交叉验证方法对 SVR 模型参数寻优，并对距离阈值进行分析。最后，将模型应用于某实际风场，验证了该模型的可行性和有效性。
针对传统 BP 神经网络预测模型泛化能力弱且预测精度低的问题，首先对现有算法优化神经网络预测模型的不足进行了比较分析；然后，将烟花算法引入到神经网络模型中，利用烟花爆炸算子同时爆炸扩散的机理，对神经网络权重和阈值的寻优过程进行了优化，提出了一种基于烟花算法改进 BP 神经网络的预测模型。最后，以某纺织企业的棉纺质量数据为例，对提出的基于烟花算法改进 BP 神经网络的预测方法进行了应用验证。通过与其他算法改进 BP 神经网络的预测模型进行对比分析，结果表明：该预测方法对纱线质量的预测精度达到 97.88 %，而且该预测方法与其他方法相比，预测误差率下降了 49.52 %，并在寻优速度和寻优精度方面表现出较高性能。
研究了以最小化最大完工时间为目标的阻塞混合流水车间调度问题，假定工件随机到达生产系统，建立混合整数规划模型，提出一种嵌入局域搜索的自适应遗传算法得到该问题的近优解。为克服传统遗传算法局域搜索能力较差，迭代后期进化能力较低的不足，改变传统遗传算法中交叉和变异概率固定不变的设定，设计随算法进程而自动调节的自适应概率，进而在迭代后期嵌入 LS 来改善解的质量。通过从小到大规模的仿真实验，对比遗传算法与嵌入局域搜索的自适应遗传算法的性能，结果说明了所提出算法的有效性。
为消除轧辊偏心引起的板带厚度周期波动，设计了融合蚁群优化的粒子群(Particle Swarm Optimization Combined with Ant Colony Optimization, PSO-ACO)算法对轧辊偏心进行辨识和补偿。为避免粒子群算法陷入局部最优，PSO-ACO 算法通过将伪随机比例规则
针对连续回转马达高度非线性和摩擦、泄漏等不确定性，严重影响系统的跟踪性能，提出了一种基于 BP 神经网络预测的模糊控制策略。该控制策略采用了 BP 神经网络进行伺服系统的输出预测，并计算了预测输出与给定输入间的未来误差和误差变化率，根据专家经验编制电液伺服系统模糊控制规则，设计模糊控制器，从而调整电液伺服系统的控制量，实现对连续回转电液伺服马达位置状态的实时跟踪。通过 Simulink 仿真表明，基于 BP 神经网络预测的模糊控制和传统 PID 控制相比，有效的提高了电液位置伺服系统的位置跟踪精度和抗干扰能力，缩短了响应时间，拓宽了系统响应频带。
