动力配煤技术是一项投资少、见效快,既能节约煤炭资源,又能减轻环境污染的适合中国国情的洁净煤技术。为构建“资源节约型社会”和“环境友好型社会”,动力配煤优质化技术已作为我国重大节能工程任务之一。因此,进一步研究动力配煤的关键技术问题——配煤优化模型具有重要意义。　　 动力配煤优化模型的研究涉及到配煤优化方案的确定和配煤煤质的预测。但是目前动力配煤模型的优化方法大多数采用传统的优化方法或是单一启发式算法,其效率低下；配煤的煤质预测采用加权平均法,其预测精度低,这已成为动力配煤优化急需解决的问题。为此,本文在配煤优化和配煤煤质预测方面分别引入了遗传算法-蚁群算法(GAAA)和Elman神经网络,在此基础上将其用于动力配煤优化模型的设计中。　　 本文首先对基本遗传算法的交叉概率和变异概率进行改进,改进后的算法称为自适应遗传算法。根据配煤的目标及其配煤指标的约束条件,提出应用自适应遗传算法对动力配煤模型进行初步优化,该优化模型能够为动力配煤提供初步的优化方案,用于选择合适的煤种和配比,并采用加权平均法对配煤煤质进行预测,其预测结果误差较大。　　 针对加权平均法进行煤质预测时产生的误差较大的缺点,本文采用Elman神经网络的方法建立配煤煤质预测模型。其预测结果与加权平均值进行比较,结果表明Elman网络模型的预测结果明显好于加权平均法,并且能够满足用户对配煤煤质的需求。　　 为了对配煤模型进行进一步的优化,本文采用GAAA算法建立动力配煤优化模型。利用遗传算法生成配煤优化的初步方案作为GAAA算法的初始信息素,在有一定信息素分布的情况下,再利用蚁群算法求得配煤优化的最佳方案。优化结果表明基于GAAA算法配煤优化模型精度高、效率好,能够满足用户对煤质的要求,提高煤炭企业的经济效益,进一步为动力配煤优化模型的研究提供了技术支持。