针对瓦斯涌出量预测系统的时变性,非线性,复杂性,不确定性等特点,提出了混沌免疫粒子群算法(CIPSO)与Elman神经网络的耦合算法(CIPSO-ENN),用于非线性动态模型参数辨识及瓦斯涌出量预测控制。论文首先提出利用Elman神经网络进行瓦斯涌出量预测,经过对Elman神经网络分析,对于该神经网络收敛速度慢,易于早熟的缺点,提出利用粒子群算法对其进行改进。接下来分析了标准粒子群优化算法(SPSO)运行机理,针对SPSO在求解多峰、高维、非线性优化问题时,容易陷入早熟和局部优化的缺陷,论文引入了混沌理论和克隆选择理论,对SPSO进行改进,提出了混沌克隆粒子群算法(CIPSO)。该算法在粒子群种群进化过程中,对粒子进行克隆、混沌变异、选择以提高其收敛速度、搜索精度、全局搜索能力。数值仿真实验表明,相对于SPSO,该算法的收敛速度和精度以及稳定性都有明显改善。之后,将CIPSO算法与Elman反馈神经网络融合,提出CIPSO-ENN耦合算法。该耦合算法利用CIPSO对Elman网络的权值与阈值进行寻优,然后基于该耦合算法,采用预测智能控制思想,建立基于CIPSO-ENN耦合算法的瓦斯涌出量预测系统模型,并利用矿井实际监测到的各项历史数据进行仿真,结果表明该模型和BP、Elman等神经网络预测模型相比,其辨识收敛速度提高了8倍,辨识精度提高了接近2个数量级,预测精度提高了3倍,具有收敛速度快、收敛精度高、鲁棒性强的特点。从数据本身出发,利用CIPSO-ENN耦合算法建立预测控制模型,是一种很有效的方法,可以推广到其他领域。