矿井瓦斯涌出量系统是一个具有多参量、高度非线性、时变性、随机性的复杂系统,传统的线性方法无法建立满足工程精确要求的可靠预测模型。因此,提出一种将Elman动态反馈神经网络(ENN, Elman Neural Network)与自适应步长萤火虫算法(ASGSO, self-Adaptive Step Glowworm Swarm Optimization)相耦合的拟合算法实现对瓦斯涌出量非线性系统的有效辨识。Elman神经网络由于自身独特的动态反馈环节及递归作用,具备了强大的时变数据处理能力及网络稳定性,因此更能直接表征本质非线性系统的动态特性。针对该网络训练过程中依然存在收敛速度慢、精度低、学习效率不高的问题,提出利用萤火虫智能算法来对其进行优化改进。通过分析了基本萤火虫算法(GSO)的仿生学机理及优化运行流程,可知萤火虫算法(GSO)具有强大局部搜索性能且操作简单、易于实现。为了强化基本萤火虫算法(GSO)的全局寻优性能,重新定义了基于相似度准则的目标邻域集,并以相似度门槛值的初始精确设置取代以往对初始感知半径的粗略估计。在种群每次进化后,根据研究个体相对目标邻域集内优秀个体分布的疏密情况自适应地放缩移动步长,避免个体在极值点附近产生搜索振荡。充分利用经改进后的ASGSO算法强大的全局多目标搜索能力对ENN的权值与阈值在求解空间中进行快速精确的在线搜索,并结合预测控制理论建立基于ASGSO-ENN耦合算法的瓦斯涌出量预测控制系统。利用井下实际采集到的各影响因素监测数据进行预测实验,结果表明：在较高学习效率的前提下,其预测精度和泛化能力明显强于单一的Elman神经网络、GSO-ENN耦合模型以及工程常用的BP神经网络且具有较强的鲁棒性。该方法对井下瓦斯灾害的防治提供了充分的理论指导。