摘要: 针对重介质选煤工艺过程复杂、非线性强、难以建立精确数学模型的问题，将捕食-食饵(Prey-Predator Optimization, PPO)算法的全局优化能力与神经网络(Neural Network, NN)的非线性映射能力相结合，建立了基于工业数据的重介质选煤灰分质量分数的预测模型。通过将NN的连接权重及阈值转换成PPO算法的可行解，再通过该优化算法更新可行解，寻找到能够使预测模型输出值与真实值相差最小的网络权重与阈值。通过实验验证了所提方法的有效性，基于PPO-NN所得灰分预测模型的均方根误差、平均绝对误差、决定系数等多个运行指标均优于传统神经网络。