摘要：针对转炉炼钢静态模型终点命中率较低的问题,首先分析了影响转炉炼钢终点命中率的各种因素,确定了BP神经网络（BPNN）的拓扑结构,并依此建立了转炉炼钢静态模型。然后把量子微粒群算法（QPSO）应用于BP网络的学习中,并比较了QPSO、基本微粒群优化算法（PSO）、梯度下降法的学习性能。最后,基于某炼钢厂的历史数据进行了仿真实验,比较了三种BP网络学习算法下的炼钢终点命中率。研究结果表明,该研究提高了转炉炼钢静态模型的终点C含量和温度预测精度。

关键词：bp神经网络 转炉炼钢 量子微粒群优化算法 基本微粒群优化算法 

单位：杭州电子科技大学自动化学院 浙江杭州310018