近年来，随着全球经济竞争的不断加剧，技术经济指标要求的不断提高，工业过程优化体系规模日趋庞大，优化模型亦日趋复杂化，包含非线性目标/约束、整型优化变量以及动态适应值曲面等多种情况，给优化工作带来诸多挑战。常规优化方法往往难以胜任，对高效优化方法的需求日益迫切。尤其对于化工领域优化问题，如分离序列综合、换热网络综合、水网络综合等优化问题，这些问题同时包含整数变量和连续变量，是典型的混合整数非线性规划问题(MINLP)，这类问题的目标函数和约束条件往往具有非线性特点，且通常存在局部最优解。目前对于MINLP问题求解的算法主要包括确定型算法和启发式算法，前者具有求解效率高的优势，但对模型条件要求高且容易陷入局部最优值。而启发式算法虽然不能保证解的全局最优性，但具有快速简单，易于实现的特点，在近些年受到了国内外学者的广泛关注。　　本文旨在基于启发式算法对乙烯裂解炉炉群优化中的各类MINLP问题的求解展开研究，并将算法应用于乙烯裂解炉炉群的原料选择优化、集成调度与操作优化及多目标调度优化中。本文的主要工作包括:　　(1)详细阐述并总结了乙烯裂解炉炉群系统中存在的MINLP优化问题。通过分析乙烯裂解炉生产过程半连续运行特性及其原料配置情况，阐述了裂解炉炉群优化的必要性;基于实际工程优化需求，建立了不同原料及其产物收率的软测量模型，进一步给出了裂解炉群原料选择优化的问题的数学模型;并归纳了裂解炉炉群集成调度与操作优化问题和多目标调度优化问题的数学模型及各自的问题特点。　　(2)针对工业裂解炉炉群原料选择优化问题中存在的分类变量无序性的特点，结合自适应差分进化算法(L-SHADE)，提出了三种针对分类变量的处理机制，给出了三种基于L-SHADE的混合启发式算法，分别为基于概率选择机制的L-SHADEMV算法、基于差分进化公式的L-SHADERULE算法以及基于排序蚁群算法的L-SHADEACO算法。为了测试三种改进启发式算法的有效性，提出了一组包含分类变量的MINLP测试函数集，以使用圆整法的L-SHADER为基准比较对象，实验结果表明三种算法均能有效处理MINLP问题中的分类变量，其中L-SHADEACO算法在高维问题上表现更出色。最后，将L-SHADEACO算法应用于原料选择优化问题中，根据求解结果制定最优原料选择方案，通过和使用圆整法L-SHADER对比显著提高了高附加值产物的总收率。　　(3)针对集成调度与操作优化问题存在的变量规模大、约束条件数量多，导致传统启发式算法难以收敛的特点，结合确定型算法收敛速度快和启发式算法全局搜索能力强的优点，提出了一种基于实数编码的遗传算法(GA)和序列二次规划算法(SQP)的双层混合算法(GA-SQP)，首先将MINLP问题分解为外层为整数规划问题，内层是非线性规划问题(NLP)的双层嵌套形式，外层用GA结合罚函数法搜索符合整数约束条件的候选整数解，内层采用具有二阶收敛速度的序列二次规划(SQP)算法求解NLP子问题，和传统启发式算法相比，由于充分利用了模型的梯度信息，在求解子NLP子问题上具有明显的效率优势。采用来自化工过程综合领域的四个MINLP测试案例对GA-SQP的有效性进行了验证，实验结果表明相比其它先进启发式算法，GA-SQP均能更快速地获得高质量的解。此外，为了进一步分析GA-SQP算法的性能，以工业乙烯裂解炉集成调度及操作优化的实际问题为研究对象，结果表明GA-SQP相比MINLP求解器在求解时间和所得解的质量上均有优势，显著提升了裂解炉单位时间内的收益。　　(4)针对炉群多目标调度问题多目标、有约束的特点，为了能使启发式算法有效处理该多目标混整优化问题，提出了一种基于多种群的动态约束处理机制的差分进化算法(MODE-DCH)，在MODE-DCH中，提出了局部搜索和全局搜索两种模式，搜索模式根据当前可行解的比率自行切换，用于在算法不同阶段平衡算法的探索及开发能力，有助于算法防止早熟收敛并生成分布均匀的帕累托(Pareto)最优解。全局搜索模式中，基于欧式距离将种群分割成一系列子种群，增强了算法初期的全局探索能力，有助于将搜索方向快速引入可行解区域。当算法在可行解区域内搜索时，局部搜索模式发挥主要作用，利用α约束支配挖掘不可行解中的有用信息，使MODE-DCH生成同时拥有较好收敛性和分布性的Pareto前沿。多目标约束测试函数集的实验结果论证了算法性能的有效性。最后，采用了两个工业案例中的多目标混整问题对算法的求解性能进一步的验证，仿真结果表明MODE-DCH是一种有效的求解多目标混整优化问题的算法。最后，以乙烯裂解炉炉群多目标循环调度为研究案例，该模型综合考虑了利润最大化和污染控制两方面的需求，结果表明MODE-DCH算法所获得的Pareto最优解集相比文献结果更符合实际，可在显著提高企业经济效益的同时控制污染排放，给企业生产决策提供了多种可靠方案。