基于蚁群优化算法递归神经网络的短期负荷预测

基于蚁群优化的人工神经网络算法在电力设备故障诊断中的应用人工神经网络由于其计算简单等的优点，广泛应用于电力技术的各环节中。

但是由于该方法收敛速度慢，计算结果精确度略低，而且容易陷入局部最小值点，因此本文将蚁群算法与神经网络算法相结合，构建蚁群神经网络模型，将其应用在齿轮箱故障诊断中，从而克服了单一故障诊断方法的局限性，提高了诊断精度。

标签：蚁群算法；人工神经网络；故障诊断；1 引言电力是关系国计民生的重要支柱性行业，然而在运行过程中由于受自然災害或人为因素等破坏导致故障发生，使得系统功能障碍和系统输出超出了有限的范围，造成系统操作功能不断恶化，因此故障发生时，需要采取一定的方法措施来找出故障原因，以不断提高系统的功能，优化系统效率。

随着现代技术的不断发展，机械设备技术含量也逐步提升，系统对精度的要求更高。

复杂系统和设备的故障诊断不仅是智能的保证，而且也在一定程度上提高了系统和设备的工作性能。

目前关于故障诊断的方法有很多，Feighbaum教授于1968年提出的基于专家系统的故障诊断方法，通过使用知识与推理过程，求解出需要专家知识才能求解出的高难度问题，是较为成功的应用方法[1]；Lee H J将模糊集与专家系统相结合，有效改善了专家系统容错性较差的问题[2]；宋功益采用分层递归的思想，首先运用粗糙集理论对故障信息分层挖掘，然后通过贝叶斯网络进行故障诊断，对解决由于不确定因素引起的电网故障具有明显的作用[3]；此外，还有基于优化技术、支持向量机、petri网技术、MAS技术的电网故障诊断方法也得到了大量的应用[4-7]。

虽然神经网络以其强大的自适应、自学习、联想记忆和非线性模式识别等诸多优点得到了广泛应用，但是在训练过程中需要大量样本且缺乏对自身行为的解释能力。

因此，将蚁群算法引入神经网络算法中，两种算法各自扬长避短，为电力企业工作者在电网故障诊断方面提供一种新的思路与方法。

2 基于蚁群的人工神经网络算法蚁群算法也被称为蚂蚁算法，是由意大利学者Marco Dorigo 于1992年首次提出的。

蚁群神经网络用于股票价格短期预测作者：王晶张文静张倩来源：《商场现代化》2008年第06期[摘要] 股票价格是非线性时间序列，传统BP神经网络预测模型存在容易陷入局部极小和收敛速度慢的缺陷。

本文针对这些问题，采用蚁群神经网络预测模型用于预测股票价格，该模型将蚁群算法作为训练神经网络的学习算法。

实验数据表明，该模型对于股票价格的短期预测效果与传统BP神经网络预测模型相比，具有较好的自适应性及较快的收敛速度。

[关键词] 蚁群算法前向神经网络 BP算法短期预测股票价格以股票涨落为代表的金融数据非常复杂, 其变化有着很强的无序性, 而有效的数据预测在金融投资领域占有重要地位。

因此对股票价格的预测不但具有很大的难度，而且具有很重要的意义。

目前，对股票价格趋势预测有两种方法：基本分析法和技术分析法。

基本分析法，就是尽可能的找出所有影响股票价格波动的因素（如：国际经济和政治局势、国内经济和政治局势、宏观经济政策、公司财务指标、管理团队指标等等)，建立这些因素与股票价格之间的模型，对股票价格进行预测。

这种方法有很强的理论根据，但是我国金融市场中广泛存在的炒作现象经常使股票的价格严重背离其基本价值，使基本分析在实务中被认同的程度不高。

技术分析法，就是从证券市场的历史数据，通过图表、技术指标等寻求股票价格变化的规律进行预测。

这种方法假设基础是：证券的市场行为已经包括了宏观、微观经济的一切信息；价格总是按照某种运动趋势运动；价格的运行方式往往会重复历史。

国内学者研究表明，中国股市存在非线性与混沌。

根据Takens定理可知, 只需单独考察股票市场的价格时间序列, 便可获得其背后的动力系统。

因而可以通过股票价格时间序列重构股票市场非线性动力系统，给定一组股票价格迭代序列，构造非线性映射，最后得到股票价格预测模型。

传统的股市技术分析法如K线图法，移动平均线法对股价的预测不够理想。

而神经网络在非线性建模中具有优势，不必建立复杂的数学模型即可完成预测。

基于蚁群支持向量机的短期负荷预测
魏俊;周步祥;林楠;邢义
【期刊名称】《电力系统保护与控制》
【年(卷),期】2009(37)4
【摘要】支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法.阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法(MG.CACO)对SVM核函数的参数进行了优化.同时介绍了基于MG.CACO算法的支持向量机技术的设计思想和特点.并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性.
【总页数】5页(P36-40)
【作者】魏俊;周步祥;林楠;邢义
【作者单位】四川大学电气信息学院,四川成都610065;四川大学电气信息学院,四川成都610065;四川电力职业技术学院,四川成都610072;四川大学电气信息学院,四川成都610065
【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于混沌蚁群算法的电力短期负荷预测 [J], 李慧;王来运
2.基于改进蚁群神经网络的短期负荷预测 [J], 周曲;邱晓燕
3.基于蚁群聚类-Elman神经网络模型的短期电力负荷预测 [J], 段东兴;孙伟;何玉钧
4.基于改进蚁群算法优化参数的LSSVM短期负荷预测 [J], 龙文;梁昔明;龙祖强;李朝辉
5.基于蚁群优化算法递归神经网络的短期负荷预测 [J], 邹政达;孙雅明;张智晟因版权原因，仅展示原文概要，查看原文内容请购买。

蚁群神经网络用于农村电力短期负荷预测师春祥;王晶;张文静;段庆【摘要】为了进一步提高农村电力系统短期负荷预测模型的性能,实现准确与快速预测农村电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,构造了一种蚁群神经网络(ACAN)预测模型.对某农村地区电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果.【期刊名称】《农机化研究》【年(卷),期】2008(000)010【总页数】5页(P176-179,184)【关键词】蚁群算法;神经网络;短期负荷预测;农村电网【作者】师春祥;王晶;张文静;段庆【作者单位】河北农业大学,现代教育技术中心,河北,保定,071000;中央司法警官学院,信息管理系,河北,保定,071000;河北农业大学,信息科学与技术学院,河北,保定,071000;中央司法警官学院,教务处,河北,保定,071000【正文语种】中文【中图分类】TP183;S240 引言负荷预测是编制农村电网发展规划的基础 ,其准确与否直接关系到规划的质量。

因此,在编制农村电网发展规划的过程中,应把着重点放在负荷预测上。

农村电力短期负荷预测是农村电力系统调度部门制定发电计划的依据，是市场环境下编排调度计划、供电计划和交易计划的基础，其预测精度对电力系统有很大影响。

农村电气化用电主要对象包括地方工业企业(包括某些县办和社办企业)、农田排灌、农业生产过程中的田间作业及场上作业(包括耕作、脱粒、扬净、烘干、植保和温室育苗等)、农村产品加工(退花、扎花、榨油、碾米、磨面、烤烟和制茶等)、畜牧业(铡草、饲料粉碎、供水、挤奶、饲料蒸煮和家禽孵化等)、农村电热做饭、炒菜、烧水，公共事业和其他用电(农村照明、家用电器、广播、电视、影剧院等)以及农具修配。

ANN具有人脑的联想记忆功能，能充分逼近任意复杂的非线性关系，有很好的实时性。

第28卷第3期湖南文理学院学报(自然科学版)Vol.28No.3 2016年9月Journal of Hunan University of Arts and Science(Science and Technology)Sep.2016 doi:10.3969/j.issn.1672–6146.2016.03.012基于改进机器学习算法的微电网短期负荷预测齐庭庭,李建奇(湖南文理学院电气与信息工程学院,湖南常德,415000)摘要:为了对具有基数小、波动大及随机性强等特点的微电网负荷进行准确预测,提出了一种基于改进的机器学习算法。

该算法包括基于蚁群算法的模型参数寻优和基于改进核函数极限学习机的预测模型2部分。

首先,对蚁群算法信息素的作用方式进行了改进,并将训练误差用于计算蚁群个体的新增信息素,从而得到最优的模型参数。

其次,采用基于加权离散距离的方法对训练数据进行筛选,留下相似度高的训练样本对核函数输出权重进行训练,从而减少计算量,提高预测精度。

用某小区高层楼宇的电网历史负荷数据,在Matlab 中对算法进行仿真验证,结果表明预测算法能较好地实现微电网的负荷预测。

关键词:微电网;负荷预测;机器学习算法中图分类号:TM715文章编号:1672–6146(2016)03–0057–05Short-term load forecasting for microgrids based on improved machine learningalgorithmQi Tingting,Li Jianqi(College of Electrical and Information Engineering,Hunan University of Arts and Science,Changde415000,China) Abstract:In order to improve the accuracy of short-term load forecasting,an improved machine learning algorithm is proposed.It consists of model parameters optimization based on ACO(Ant Colony optimization)and forecasting model based on improved KELM(Extreme Learning Machine).Firstly,the way that pheromone works is modified and the training error is introduced into calculating new pheromone.By this way,the optimal parameters of KELM can be obtained.Secondly,the weighted discrete distance is utilized to screen the training data.The more similar ones will be picked out to train the output weight of KELM.It can reduce calculation and improve the accuracy.The historic load data of a residential building is utilized to conduct the verifying simulations in Matlab.The results show that the proposed algorithm has a good performance in short-term load forecasting for microgrids.Key words:microgrids;load forecasting;machine learning algorithm根据目前国内外的相关研究,按时间尺度可以将电力系统负荷预测分为长期、中期、短期和超短期负荷预测4类[1]。

基于改进蚁群优化算法的神经网络训练的研究摘要在基本的蚁群优化算法原理和结构上，对它进行了改进，将离散的信息素分布矩阵改进为连续的信息素分布函数，并将改进后的蚁群算法引入到神经网络的训练中，提出了改进的蚁群算法训练神经网络的基本原理和步骤，该算法不仅克服了传统bp神经网络算法的不足，而且使得新算法同时具有蚁群算法的全局快速寻优能力和神经网络的广泛映射能力。

并通过实例验证了该算法的快速性和有效性。

关键词蚁群优化算法神经网络信息素分布函数中图分类号：th183 文献标志码：a20世纪90年代初，意大利学者dorigo、maniezzo首先提出了一种新的模拟进化算法—蚁群算法，基本的蚁群优化算法，主要用于离散的参数优化问题，并已经成功的解决了tsp，vrp，qap，jsp 等一些列困难的组合优化问题。

而神经网络的的训练是典型的连续优化问题，本文在分析基本的蚁群优化算法特点的基础上，提出一种新的信息素分布方式及其概率分布函数，将蚁群算法成功的延伸到连续优化的范畴，并且建立了蚁群优化算法训练神经网络的基本模型，克服了传统bp算法的不足，同时使得该算法同时具有蚁群算法的快速全局寻优能力和神经网络的广泛映射能力。

一、改进的蚁群算法训练神经网络（一）优化模型。

常规的神经网络是属于连续性优化的范畴，其优化的目的是从每一个的参数的取值范围中选取一个具体的值，使得神经网络的输出误差，满足误差条件。

本文用于连续优化的模型与组合优化相似，只是其解空间从离散变量变成了连续变量的组合。

图1比较直观地表达了蚂蚁觅食时路径的选择。

其中m表示蚂蚁的个数，依次从n个连续的取值范围内选取一个值，组成自己的解sj，其中xji表示蚂蚁在个元素的取值范围内所选取的具体值。

每一个蚂蚁在信息素的影响作用下，依照概率原则，构建一组的完整的解。

通过蚂蚁间的团体协作，构建一个全局最优解。

（二）改进的蚁群优化算法。

1、信息素的分布。

理想化的状态下，蚂蚁对信息素的感知力不受左右两侧信息素浓度的影响，但在实际生活中，这种影响是无法避免的，并且路径两侧的蚂蚁对该信息素的感知会随着距离的增大而减弱，而且关于信息素的散发点是对称的。

利用蚁群算法优化前向神经网络内容摘要：蚁群算法（ant colony algorithm，简称ACA）是一种最新提出的新型的寻优策略，本文尝试将蚁群算法用于三层前向神经网络的训练过程，建立了相应的优化模型，进行了实际的编程计算，并与加动量项的BP算法、演化算法以及模拟退火算法进行比较，结果表明该方法具有更好的全局收敛性，以及对初值的不敏感性等特点。

关键词：期货经纪公司综合实力主成分分析聚类分析人工神经网络（ANN）是大脑及其活动的一个理论化的数学模型，由大量的处理单元（神经元）互连而成的，是神经元联结形式的数学抽象，是一个大规模的非线性自适应模型。

人工神经网络具有高速的运算能力，很强的自学习能力、自适应能力和非线性映射能力以及良好的容错性，因而它在模式识别、图像处理、信号及信息处理、系统优化和智能控制等许多领域得到了广泛的应用。

人工神经网络的学习算法可以分为：局部搜索算法，包括误差反传（BP）算法、牛顿法和共轭梯度法等；线性化算法；随机优化算法，包括遗传算法（GA）、演化算法（EA）、模拟退火算法（SA）等。

蚁群算法是一种基于模拟蚂蚁群行为的随机搜索优化算法。

虽然单个蚂蚁的能力非常有限，但多个蚂蚁构成的群体具有找到蚁穴与食物之间最短路径的能力，这种能力是靠其在所经过的路径上留下的一种挥发性分泌物（pheromone）来实现的。

蚂蚁个体间通过这种信息的交流寻求通向食物的最短路径。

已有相关计算实例表明该算法具有良好的收敛速度，且在得到的最优解更接近理论的最优解。

本文尝试将蚁群算法引入到前向神经网络的优化训练中来，建立了基于该算法的前向神经网络训练模型，编制了基于C++语言的优化计算程序，并针对多个实例与多个算法进行了比较分析。

前向神经网络模型前向人工神经网络具有数层相连的处理单元，连接可从一层中的每个神经元到下一层的所有神经元，且网络中不存在反馈环，是常用的一种人工神经网络模型。

在本文中只考虑三层前向网络，且输出层为线性层，隐层神经元的非线性作用函数（激活函数）为双曲线正切函数：其中输入层神经元把输入网络的数据不做任何处理直接作为该神经元的输出。

• 41•为了解决短期负荷预测精度低、准确性差等问题，采用一种使用鲸鱼优化算法（WOA）优化长短期记忆网络（LSTM）的短期负荷预测模型。

针对模型的参数较难选择的问题，利用WOA对LSTM模型参数寻优。

通过实例验证了预测模型的有效性，结果表明WOA-LSTM比LSTM模型具有更好的效果。

众所周之，在电力系统中发电、输电、用电是同时进行的。

由于目前的技术手段无法实现电能的大量储存，发电前的负荷预测就显得十分重要。

同时，负荷预测可以提高电网的经济效益，避免电能的大量浪费，保证电网的安全运行。

电力负荷预测一般可以在时间上分为长期、中期、短期负荷预测，其中短期负荷预测是指未来24h到168h每个时刻点的的负荷预测。

精确的负荷预测可以提高电网运行的可靠性、安全性、经济性。

近几年国内外学者提出很多预测方法，大致可分为传统统计法和现代预测算法。

传统统计法主要包括：多元线性回归、趋势外推法、时间序列法等。

随着智能电网的发展，负荷数据越来越复杂，传统统计法难以满足更高的精度需求。

现代预测算法主要包括：支持向量机、BP神经网络、随机森林等为代表的人工智能算法。

深度学习作为一种新起的研究领域，也广泛地运用于短期负荷预测。

文献（王永志，刘博，李钰.一种基于LSTM神经网络的电力负荷预测方法）提出了一种基于LSTM神经网络的的电力负荷预测方法。

LSTM的模型参数往往需要人为设定，这将直接影响模型的拟合能力，训练速度，实际效果。

为了提高长短期记忆网络的精度，本文提出使用一种群体智能优化算法来优化长短期记忆网络的参数。

利用浙江某地的负荷数据进行仿真，结果表明，该方法能够优化模型参数，并有效地提高精度。

1 长短期记忆网络为了解决循环神经网络的梯度消失和梯度爆炸问题，Hochreiter和Schmidhuber（1997）提出一种特殊的循环神经网络——长短期记忆网络。

与循环神经网络不同的是，长短期记忆网络有输入门、输出门、遗忘门三个特殊结构，这使得它能记住长期信息。

基于蚁群优化BP神经网络的短期风速预测模型贾蒙蒙【期刊名称】《电子测试》【年(卷),期】2016(000)013【摘要】To improve the short-term wind speed forecasting accuracy of wind farms,a prediction model based on back propagation(BP)neural network combining ant colony algorithm was built to predict short-term wind speed.The input variables of BP neural network predictive model were historical wind speeds, temperature,and air pressure. ant colony algorithm was used to optimize the weights and bias of BP neural networks.%为了提高风电场短期风速预测精度，实现对风速的短期预测，本文建立了蚁群算法和反向传播（BP）神经网络的短期风速预测模型。

该模型以风电场采集的历史时刻风速（采样间隔30min）作为BP神经网络预测模型的输入变量；并利用蚁群算法优化BP神经网络的初始权值和阙值；采用蚁群优化的BP神经网络模型对未来1h风速进行预测。

仿真结果表明，该方法较BP神经网络具有预测精度高、收敛速度快的优点。

【总页数】2页(P114-115)【作者】贾蒙蒙【作者单位】云南机电职业技术学院电气工程系，云南昆明，650203【正文语种】中文【中图分类】TM614【相关文献】1.基于遗传BP神经网络的短期风速预测模型 [J], 王德明;王莉;张广明2.基于蚁群优化的支持向量机风速预测模型研究 [J], 曾杰;陶铁铃3.一种实时校正的改进BP神经网络超短期风速预测模型 [J], 张文;胡从川;阙波;滕明尧;钱海;杨昊4.基于风速时空信息的BP神经网络超短期风速预测研究 [J], 周建强;李玉娜;屈卫东;兰增林5.基于小波包分解的BP神经网络的短期风速预测 [J], 王宁; 罗汝斌; 廖俊; 李珺; 蒋祎; 杨泽川; 袁俊杰因版权原因，仅展示原文概要，查看原文内容请购买。

云南水力发电YUNNAN WATER POWER第35卷第3 期1630 引言电力系统需要动态平衡地满足全社会的各类负荷需求，并向用户提供经济、稳定而且合乎质量规范的电能。

因为电力需求时刻变化和储能效率低下的特点，这要求电力系统发电侧电力供应能紧密跟随负荷侧电力需求的动态变化，以到达动态平衡。

为了保证电力供应的稳定，以及有效地减少用电成本并提高供电质量。

电网企业的系统运行部需要获取准确的电力负荷预测数据，以便合理地安排本地电网的运行方式、计划检修、转供电安排等工作。

电力负荷预测可分为短期负荷预测和中长期负荷预测两类。

短期负荷预测指的是日负荷预测和周负荷预测，多用于短期电网运行方式安排，静态安全分析，计划检修安排等。

目前国内外常用的短期负荷预测方法大概可分为2类：一类是时间序列分析的方法；另一类是基于人工智能技术的方法。

常见的短期电力负荷预测方法，如支持向量机、前馈人工神经网络、自回归模型等方法没有体现出电力负荷数据的时序性，而某个地区的短期负荷数据往往具有很强的自相似和时序性。

此外，负荷曲线是非线性的。

神经网络对于时序性和非线性有着很好的处理能力，因此，神经网络适合用于进行短期电力负荷预测。

使用长短期记忆的时间递归神经网络模型来对短期电力负荷进行负荷预测。

该方法首先建立LSTM 时间递归神经网络模型，利用预处理的电力负荷数据建立训练集并对模型进行训练。

指定训练天数的历史日负荷数据作为训练集，对已建好的神经网络模型进行训练，从而得到下一日的负荷预测数据。

该方法考虑了负荷数据的时序性和非线性，具有较高的预测精度。

通过昆明电网实际负荷数据进行了日电力负荷预测试验，试验结果表明该神经网络可以有效预测下一日负荷的变化，帮助调度人员更好地进行电力调度。

1 基于LSTM 时间递归神经网络的模型建立LSTM 时间递归神经网络（Long Short-Term Memory，LSTM）模型是由Sepp Hochreiter 和Jurgen Schmidhuber 在1997年首先提出的[1]。

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910465975.4(22)申请日 2019.05.31(71)申请人 南京理工大学地址 210094 江苏省南京市玄武区孝陵卫200号(72)发明人 李向君　王军　(74)专利代理机构 南京理工大学专利中心32203代理人 马鲁晋(51)Int.Cl.G06Q 10/04(2012.01)G06Q 50/06(2012.01)G06K 9/62(2006.01)(54)发明名称基于分段蚁群算法优化SVM的短期风电功率预测方法(57)摘要本发明公开了一种基于分段蚁群算法优化SVM的短期风电功率预测方法，包括以下步骤：选取样本原始数据并对其进行预处理以消除量纲对原始数据的影响，其中原始数据包括M组影响风电输出功率的环境影响因素和其对应的风电输出功率；根据处理后的数据，确定支持向量机的结构；结合支持向量机的结构，对支持向量机的核函数参数γ以及惩罚系数C进行分段蚁群优化，获得满足期望误差的SVM的最优参数组合；根据获得的SVM的最优参数组合，构建SVM模型即风电功率预测模型，利用该模型即可实现短期风电功率预测。

本发明能有效减小人为主观意识选择对模型参数组合造成的影响，且该方法不局限应用于风力发电功率预测，可应用于其他已知历史数据的模型预测。

权利要求书2页 说明书5页 附图5页CN 110276478 A 2019.09.24C N 110276478A1.一种基于分段蚁群算法优化SVM的短期风电功率预测方法，其特征在于，包括以下步骤：步骤1、选取样本原始数据并对其进行预处理以消除量纲对原始数据的影响，其中原始数据包括M组影响风电输出功率的环境影响因素和其对应的风电输出功率；步骤2、根据步骤1获得的数据，确定支持向量机的结构；步骤3、结合步骤2支持向量机的结构，对支持向量机的核函数参数γ以及惩罚系数C进行分段蚁群优化，获得满足期望误差的SVM的最优参数组合；步骤4、根据步骤3获得的SVM的最优参数组合，构建SVM模型即风电功率预测模型，利用该模型即可实现短期风电功率预测。

2018年第10期总第377期基于蚁群算法的电力负荷预测孙海萌，孙君茹（国网江苏徐州供电公司，江苏徐州221000）蚁群算法，它对于中长期负荷预测这类高维数、非凸的、离散的非线性组合优化问题，效果显著。

目前，国内的电力负荷蚁群算法预测技术的应用还处于研究和起步阶段，应充分发挥蚁群算法在电力系统负荷预测上的优越性，使其对中长期负荷的预测日趋完善。

1电力负荷蚁群算法蚁群算法的概念是由意大利学者马克·多里戈等于1991年第一次提出的，其算法原理是模拟昆虫王国中蚂蚁群体在寻找食物过程中发现最优路径的智能行为，是一种用来在图中寻找优化路径的机率型技术，它具有较好的鲁棒性、优良的分布计算机制、并易于与其他算法相结合。

如今，在国内外许多学术期刊和会议上，蚁群算法已经成为一个备受瞩目的研究热点和前沿性课题。

1.1基本蚁群算法原理[1]在自然界中，虽然蚂蚁的食物源总是随机散布于蚁巢周围，但经过一定时间，蚂蚁总能找到一条从蚁巢到食物源的最短路径。

这源于蚂蚁在运动的过程中，释放一种神秘的物质——信息素。

如图1所示。

图1现实中蚁群寻找食物的过程一开始各只蚂蚁的分布是均匀的，不管路径长短，蚂蚁总是先按同等概率，随机的选择一条路径，同时释放出与路径长度有关的信息素，而且能感知这种物种物质的存在及其强度，并以此指导自己运动的方向。

蚂蚁倾向于向信息素浓度高的方向移动，相等时间内较短路径上信息量就遗留的比较多，则选择较短路径的蚂蚁也随之增多。

由于大量蚂蚁组成的蚁群集体行为表现出一种信息正反馈现象，即某一路径上走过的蚂蚁越多，则最优路径上的信息量越来越大，而其他路径上的信息量会随着时间的流逝而逐渐消减，则后来者选择最优路径的概率也越大，蚂蚁个体之间就通过这种信息交流机制来搜索食物。

如图2所示。

图2蚁群运动原理图设A 、F 分别为蚁巢和食物源，则蚂蚁寻食有2条途径ABCEF 和ABDEF ，其中，BC 、CE 间距离为10，BD 、DE 间为20。

基于改进萤火虫算法的小波神经网络短期负荷预测方法刘丹;张腾飞【摘要】传统的小波神经网络以梯度下降法训练网络，而梯度下降法易导致网络出现收敛早熟、陷入局部极小等问题，影响网络训练的精度。

文章将萤火虫算法用于训练小波神经网络，在全局内搜寻网络的最优参数。

为了提高萤火虫算法参数寻优的能力，在训练过程中自适应调节γ值。

同时利用高斯变异来提高萤火虫个体的活性，在保证收敛速度的同时避免算法陷入局部极小。

将优化后的小波神经网络用于短期负荷预测，实验证明改进后的预测模型非线性拟合能力较强、预测精度较高。

%The traditional wavelet neural network is trained by the gradient descent algorithm , and the algorithm can easily lead to premature convergence and trap in local minimum , which affect the training accuracy of the network .In this paper , the firefly algorithm is used to train the wavelet neural network to search the optimal parameters of the network in the global .In order to improve the firefly algorithm ’ s ability of parameter optimization , the value of γis adjusted adaptively in the training process .At the same time , Gauss variation is used to improve the activity of firefly individuals in order to ensure the convergence speed and avoid falling into local minimum .The optimized wavelet neural net-work is applied to short-term load forecasting , and the simulation results show that the improved prediction model has strong nonlinear fitting a-bility and high precision .【期刊名称】《微型机与应用》【年(卷),期】2016(035)023【总页数】3页(P56-58)【关键词】小波神经网络;萤火虫算法;负荷预测;全局寻优【作者】刘丹;张腾飞【作者单位】南京邮电大学自动化学院，江苏南京 210023;南京邮电大学自动化学院，江苏南京 210023【正文语种】中文【中图分类】TP391短期负荷预测主要是预报未来24小时至几天内的系统负荷[1]。