基于非线性理论的动力配煤模型的建立和应用是本文的主要研究内容，它包括两个方面：一是将人工神经网络用于动力配煤的预测模型，二是将遗传算法和模拟退火算法用于动力配煤的优化模型。 作为适合中国国情的洁净煤技术之一的动力配煤技术日益引起人们的普遍关注，并将在全国范围内广泛应用。动力配煤就是将不同性质(如发热量、灰分、硫分、着火特性、燃烧特性等)和价格的煤相互掺混，从而使混煤的特性适合电站锅炉的运行。动力配煤技术是一种减少污染排放、降低燃料成本、减少粘污和结渣的有效方法，因此能在保证锅炉额定负荷的情况下提高电站的运行效率。然而，由于煤质数据的缺乏和对混煤的物理化学过程的有限认识使得我们很难对混煤特性进行准确的预测。目前加权平均和线性规划方法普遍应用于预测混煤特性和指导配煤生产。但是，越来越多的实验和理论研究表明，混煤的绝大多数特性不能闹单地表示成掺配单煤特性的加权平均，并且线性规划技术往往不能得到合适的配煤方案。 本文采用BP神经网络描述混煤与单煤特性之间的关系，建立了混煤发热量、挥发分、灰分、硫分和灰熔点的预测模型。实验结果表明，BP神经网络模型比加权平均方法和经验公式能达到更好的预测效果，求得的配煤方案更合理可靠。虽然BP算法简单、有效，但是影响神经网络预测性能的因素也不少。合理的网络拓扑结构，足够的学习样本和正确的学习精度的选择是保证其预测效果的重要因素，本文就这些因素进行了深入的探讨，并提出了合理的建议。 动力配煤是一个优化过程，快速、准确地找到适合配煤目标的配煤方案是动力配煤的另一核心任务。以往使用的搜索算法有穷举法和MDOD法(混合离散变量优化设计法)。但是穷举法效率太低，而MDOD法只能局部优化并易陷入局优解。本文将两种在配煤领域内未曾使用过的算法——遗传算法和模拟退火算法应用于配煤优化模型，取得了良好的效果。遗传算法鲁棒性强，具有较好的全局搜索性能；模拟退火算法简单、通用，具有很好的局部搜索能力。本文在此基础之上首次提出了一种新的混合算法——遗传算法+模拟退火算法+穷举法，它的计算效率较单一的穷举法提高了近一百倍。