我国的煤炭生产量和消耗量都位于世界前列,随着科学技术的发展,对煤炭的需求也是居高不下,而煤炭的生产却是与危险同在的。在煤炭开采过程中会伴随着瓦斯涌出,造成井下人员窒息、瓦斯爆炸等事故,同时还会引发诸如顶板事故、透水事故、火灾事故等一系列次生事故,造成重大人员伤亡和财产损失。所以,对瓦斯涌出量的精准预测具有重要的现实意义和社会意义。瓦斯涌出量的影响因素数量多且关系复杂,各影响因素之间存在信息重叠的现象,且具有非线性和相关性,因此建立的模型只有考虑到这一点,才能保证预测的精度。本文提出核极端学习机网络同主成分分析相结合的瓦斯涌出量预测方法,利用改进的万有引力算法对核极端学习机的核参数和输出权值进行寻优,建立基于改进万有引力算法的核极端学习机与主成分分析的瓦斯涌出量预测模型。首先分析了核极端学习机的理论基础及其局限性,提出利用万有引力算法来优化其参数。而后分析了万有引力算法的基本理论,分析其优缺点,进而提出对万有引力算法的改进方法,即用反向学习机制来初始化种群,扩大初始种群的均匀分布性,采用Tent混沌映射增加种群的多样性,并引入粒子群算法的记忆与社会交流思想,改进万有引力算法对位置和速度的更新,增强万有引力算法的遍历搜索能力,避免万有引力算法陷入局部极值。结合实际案例进行仿真验证,同时与万有引力核极端学习机和粒子群核极端学习机网络模型做对比实验,结果表明本文提出的基于改进万有引力算法的核极端学习机与主成分分析的瓦斯涌出量预测模型预测结果的误差在0.10m~3/min以内,与其他两种模型相比较预测精度分别提高了近7.5倍和15.4倍,且比另两种模型更早的收敛,说明该方法对煤矿瓦斯涌出量具有更好的预测精度和收敛速度。该论文有图14幅,表11个,参考文献56篇。