动力配煤数字化信息控制系统对煤质在线检测的应时性、配煤煤质预测的精度和配煤优化计算的效率等提出了较高的要求。但在动力配煤领域仍普遍存在的一些问题，如煤炭发热量实验室测定方法繁琐，测定耗时长、应时性差；配煤煤质预测，普遍采用的加权平均法，预测精度低；传统优化方法效率低下、全局搜索能力差等，已成为严重影响动力配煤数字化信息控制系统设计及良好运行的亟需克服的缺陷。 本文在配煤优化和煤质预测领域分别引入了遗传算法和神经网络技术，并在此基础上，把神经网络和遗传算法相结合应用于配煤优化模型的设计过程。 建立了基于加权平均法一遗传算法的动力配煤初步优化模型。该优化模型具有较高的运算效率和稳定性，可以在单一煤种规模为 20，参配煤种为3、精度为 1％的情况下，获得最佳配煤方案。该配煤方案可用于选择合适的煤种和设定初始配比。但由于对配煤煤质预测过程采用加权平均法计算，导致配煤产品的煤质指标的预测值与实测值有较大的误差。 为解决加权平均法计算配煤煤质指标误差大、精度低的缺点，建立了基于Elman神经网络的配煤煤质预测模型。该预测模型不仅具有较高的预测精度，而且解决了煤炭发热量测定应时性差的问题，能够根据各参配煤种的M<,ad>、A<,ad>、V<,ad>和对应的配比X，直接预测出配煤产品的M<,ad>、A<,ad>、V<,ad> 和 Q<,net,ad>。 把基于Elman神经网络的动力配煤煤质预测模型与遗传算法相结合，建立了基于神经网络-遗传算法的动力配煤实时优化模型。该模型具有较高的精度，可以在配煤初步优化方案的基础上，根据配煤过程中的具体煤质反馈数据，实现在线实时优化。