煤与瓦斯突出的发生不仅给煤矿企业造成严重的经济损失,而且还威胁着井下工人的生命安全。开展煤与瓦斯突出风险预测可实现瓦斯突出事故的“早发现、早防治”,将瓦斯突出造成的损失降到最低。煤与瓦斯突出预测是一个典型的非线性预测问题,预测精度往往不尽如人意。为此,本文提出了基于子维进化的粒子群优化算法(sd PSO)结合量子门节点神经网络(QGNN)的瓦斯突出风险等级预测模型。首先,以瓦斯突出“综合假说”为理论基础,分析了瓦斯突出条件、过程及影响因素,建立了瓦斯突出预测指标体系,该指标体系充分体现了地质、瓦斯及煤体物理性质对瓦斯突出的影响。考虑到各预测指标在瓦斯突出发生和演化过程中对突出的作用及影响程度的差异,采用灰色关联分析法计算瓦斯突出强度与各个预测指标间的关联度,从而确定瓦斯突出主控因素,同时降低了信息的冗余性。针对瓦斯突出预测具有的非线性与不确定性特征,提出了量子门节点神经网络以提高解决不确定性问题的能力。分析了量子门节点神经网络的网络结构及学习算法,并通过引入子维进化改进粒子群更新方式对量子门节点神经网络中的隐含层幅角偏置矩阵(38)及网络输出层幅角偏置矩阵(37)进行优化,提高了粒子群算法的全局搜索能力及稳定性,改善了量子门节点神经网络的局部极值点较多,易陷入局部收敛的不足。为验证子维进化的粒子群优化算法的寻优性能,选取与瓦斯突出数据特征相符的具有非线性且变量相关与不相关的Sphere、Rastrigin、Griewank三种测试函数分别通过PSO与sd PSO进行寻优,3维测试函数,PSO与sd PSO的寻优成功率分别为100%、25%、12%;100%、83%、62%,10维测试函数,PSO与sd PSO的寻优成功率分别为33%、0、0;100%、40%、53%,实验结果表明,PSO对于多峰非线性函数的寻优成功率要明显低于sd PSO,说明了sd PSO在粒子的全局搜索能力和算法的稳定性等方面得到了提升。基于此,提出了sd PSO算法优化QGNN的优化过程,建立了sd PSO-QGNN的煤与瓦斯突出风险等级预测模型。最后,以瓦斯突出实测数据对sd PSO-QGNN煤与瓦斯突出风险等级预测模型进行验证,并与BP、IPSO-SVM、memetic-ELM的试验结果作对比分析,预测精度分别为97.5%、82.5%、90%、87.5%,收敛时间分别为1.2974s、1.9962s、1.1123s、4.6742s。结果表明,虽然sd PSO-QGNN的收敛时间不是最少的,但是其预测精度最高,在可控的时间范围内,煤与瓦斯突出预测更看重模型的预测精度。综上所述,该模型的预测性能和泛化能力良好,能够实现对瓦斯突出风险等级准确预测。该论文有图26幅,表21个,参考文献93篇。