自然发火预警(包括煤层自然发火危险性评价)是煤矿安全领域的研究热点之一。本论文发挥多学科交叉的优势,从自然发火预警研究和应用的实际需要出发,引入计算智能领域的新理论、新方法(例如支持向量机、粒子群算法、粗糙集算法等),开展了以下几方面的研究工作。1)粒子群(PSO)算法的改进。针对标准PSO算法难以收敛于全局最优解及易于发生早熟收敛等问题,利用混沌映射和一种基于粒距的权值动态改变策略,提出了一种改进的粒子群优化算法(IPSO)。利用3种标准函数分别对IPSO算法和另外4种PSO算法进行了测试比较,结果表明:IPSO算法具有较高的全局寻优能力,其精度优于另外4种比较算法。2)基于IPSO的支持向量机(SVM)参数优化方法。SVM参数对SVM预测精度有重要影响。为此,本文研究了利用IPSO进行SVM参数优化的方法,并分别提出了IPSO-v-SVR算法和IPSO-SVC算法。在UCI基准数据集上分别对这2种算法及多种回归或分类算法进行了测试比较,结果表明:IPSO-v-SVR和IPSO-SVC的精度均优于相应的比较算法。3)基于IPSO-v-SVR的煤层瓦斯含量预测和基于IPSO-SVC的煤层自然发火危险性预评价。在煤层瓦斯含量数据集上的测试结果表明:在小样本条件下,利用IPSO-v-SVR算法进行煤层瓦斯含量预测可以取得较高的预测精度。在煤层自然发火危险性数据集上的测试结果表明:利用IPSO-SVC算法进行煤层自然发火危险性预评价可取得较高的分类精度。此外,还对数据集之外的2个开采煤层进行了自然发火危险性的预评价,评价结果与矿井实际发火情况相符。4)粗糙集(RS)理论与IPSO-SVC算法的融合及其在采空区自然发火预警中的应用。建立了基于瓦斯抽采钻孔气体分析的采空区自然发火预警指标体系,以RS作为IPSO-SVC模型的预处理器提出了RS-IPSO-SVC算法,该算法通过对指标体系进行属性约减,去掉冗余特征属性,从而降低了样本维度。在采空区自然发火状态数据集上进行了算法测试,结果表明:RS-IPSO-SVC算法的分类准确率优于比较算法,能够较好地适用于采空区自然发火预警。5)《煤矿自然发火信息管理及预警系统》的开发。针对煤矿企业对自然发火信息管理及预警的实际需求,以及智能算法在应用过程中对数据更新的需要,基于.NET技术开发了B/S框架的“煤矿自然发火信息管理及预警系统”。该系统已在峰峰集团羊东煤矿部署应用。通过该系统的实施,进一步丰富了已有的相关数据集,并多次成功识别出与自然发火隐患相关的异常现象,取得了良好的应用效果。通过上述研究得出了以下几点主要结论:⑴改进粒子群算法(IPSO)具有较强的寻优能力。⑵利用IPSO可显著提高SVM参数的寻优效果。⑶IPSO-v-SVR、IPSO-SVC以及RS-IPSO-SVC算法能够分别适用于煤层瓦斯含量预测、煤层自然发火危险性预评价以及采空区自然发火预警,且精度较高。