CN110197278A - 基于改进鸡群算法优化bp神经网络的空气质量预测方法 - Google Patents

Abstract

本发明公开了一种基于改进鸡群算法优化BP神经网络的空气质量预测方法，抽取了影响空气质量指数AQI的主要指标PM2.5和PM10作为预测目标，并分别结合5种气象因子进行PM2.5或PM10预测。本发明针对现有BP神经网络收敛速度慢、收敛精度不高等缺点，利用改进鸡群算法优化BP神经网络，使BP神经网络能够依据每步的预测结果自适应改变神经网络的权重和阈值，有效改善了神经网络预测速度和精度。本发明的自适应BP神经网络预测空气质量的方法具有预测精度高，收敛速度快等优点。

Description

基于改进鸡群算法优化BP神经网络的空气质量预测方法

技术领域

本发明属于空气质量预测技术领域，具体涉及一种基于改进鸡群算法优化BP神经网络的空气质量预测方法的设计。

背景技术

近年来，随着城市化和工业化的快速发展，使得我国许多地区的空气污染形势日益严峻，空气质量不容乐观，这些空气污染物对人体健康造成了很大影响。因此，如何有效的防止人类远离空气污染的危害受到了广泛关注。然而，在短期内实现对空气污染的治理是非常困难的。因此，通过对未来一段时间内的空气质量进行预测，及时防治空气污染，防止严重污染的发生，提高公众生活质量已受到社会的广泛关注。

目前，通常使用BP神经网络对空气质量进行预测，但BP神经网络的缺点在于收敛速度慢且收敛精度不高，这将导致最终的空气质量预测结果不够准确。针对这一问题，现有技术大都利用网格搜索算法对BP神经网络的参数进行优化，但是网格搜索算法搜索速度慢，优化效果不理想。

发明内容

本发明的目的是为了解决现有BP神经网络对空气质量的预测结果不准确的问题，提出了一种基于改进鸡群算法优化BP神经网络的空气质量预测方法。

本发明的技术方案为：基于改进鸡群算法优化BP神经网络的空气质量预测方法，包括以下步骤：

S1、获取原始气象数据，并对原始气象数据进行预处理，得到训练样本。

S2、初始化设置单隐含层BP神经网络的权重和阈值。

S3、将训练样本输入当前单隐含层BP神经网络，得到训练结果。

S4、根据训练结果判断当前单隐含层BP神经网络是否收敛，若是则进入步骤S6，否则进入步骤S5。

S5、采用改进鸡群算法对单隐含层BP神经网络的权重和阈值进行更新，返回步骤S3。

S6、将当前单隐含层BP神经网络作为空气质量预测模型，并将待预测气象数据输入空气质量预测模型，得到空气质量预测结果。

进一步地，原始气象数据与待预测气象数据均包括气压、风速、相对湿度、降水量、温度、PM2.5参数和PM10参数，训练结果和空气质量预测结果均包括PM2.5参数和PM10参数。

进一步地，步骤S1中对原始气象数据进行预处理的方法具体为：

采用拉格朗日插值算法对原始气象数据中的异常数据进行插值补充，插值公式为：

其中L(a)表示拉格朗日插值结果，a表示插值时刻，a_i,a_j分别表示第i个时刻和第j个时刻，b_i表示第i个时刻的原始气象数据，i＝0,1,2,...,n₀；j＝0,1,2,...,n₀，n₀为原始气象数据的数量。

进一步地，步骤S4中判断当前单隐含层BP神经网络是否收敛的方法具体为：

判断训练结果与实际空气质量参数之间的误差是否小于预设的误差阈值，若是则当前单隐含层BP神经网络收敛，否则当前单隐含层BP神经网络不收敛。

进一步地，步骤S5包括以下分步骤：

S501、将单隐含层BP神经网络的权重和阈值按顺序排列，得到m维向量X，其中m为单隐含层BP神经网络的权重和阈值数量之和。

S502、将一个向量X作为一个鸡群个体，初始化设置鸡群的个体数量N，构建鸡群。

S503、计算鸡群中每个个体的适应度值，并按适应度值从小到大的顺序对鸡群个体进行排序，将前RN个鸡群个体作为公鸡，后CN个鸡群个体作为小鸡，中间HN个鸡群个体作为母鸡，其中RN+HN+CN＝N。

S504、确定鸡群中小鸡与母鸡的母子等级关系，初始化设置带小鸡的母鸡数量MN，其中MN≤HN。

S505、初始化设置鸡群中每个个体的位置。

S506、设置最大迭代次数t_max和迭代步长G，并初始化设置迭代次数t＝1。

S507、判断当前迭代次数是否能被迭代步长G整除，若是则进入步骤S509，否则进入步骤S508。

S508、令迭代次数t加1，返回步骤S507。

S509、依次更新每个公鸡的位置，并计算每个公鸡更新位置后的适应度值。

S510、判断每个公鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S511，否则直接进入步骤S511。

S511、依次更新每个母鸡的位置，并计算每个母鸡更新位置后的适应度值。

S512、判断每个母鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S513，否则直接进入步骤S513。

S513、依次更新每个小鸡的位置，并计算每个小鸡更新位置后的适应度值。

S514、判断每个小鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S515，否则直接进入步骤S515。

S515、判断当前迭代次数是否达到最大迭代次数t_max，若是则进入步骤S516，否则返回步骤S507。

S516、将最优适应度值的鸡群个体所对应的单隐含层BP神经网络的权重和阈值作为权重和阈值更新结果，返回步骤S3。

进一步地，鸡群个体适应度值的计算公式为：

其中f_i表示第i个鸡群个体的适应度值，表示采用第i个鸡群个体对应的单隐含层BP神经网络的权重和阈值所得到的训练结果，y_i为对应的实际结果，i＝1,2,...,N。

进一步地，步骤S505中初始化设置鸡群中每个个***置的公式为：

其中表示第i个鸡群个体中第j维变量的初始位置，i＝1,2,...,N；j＝1,2,...,m，[x_down,x_up]为的定义域，β为混沌随机数，其取值范围为(0,1)。

进一步地，步骤S509中公鸡位置的更新公式为：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，i＝1,2,...,RN；j＝1,2,...,m，Randn(0,δ²)为服从均值为0，标准偏差为δ²的高斯分布，其中：

其中exp(·)为指数函数，f_i,f_k分别表示第i个鸡群个体和第k个鸡群个体的适应度值，k∈[1,RN],k≠i，ε为常数。

进一步地，步骤S511中母鸡位置的更新公式为：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第r1个鸡群个体中第j维变量的位置，表示第t-1次迭代时第r2个鸡群个体中第j维变量的位置，r1为第i只母鸡自身所在群中的公鸡，r2为整个鸡群中公鸡和母鸡中随机选取的任意个体，r1≠r2，i＝1,2,...,HN；j＝1,2,...,m，C(x₀,γ)为柯西分布，x₀,γ分别为柯西分布的位置参数和尺度参数，S1和S2为个体最优位置控制参数和全局最优位置控制参数，且：

S1＝exp((f_i-f_r1)/(abs(f_i)+ε))

S2＝exp(f_r2-f_i)

其中exp(·)为指数函数，abs(·)为绝对值函数，f_i,f_r1,f_r2分别表示第i个鸡群个体、第r1个鸡群个体和第r2个鸡群个体的适应度值，ε为常数。

进一步地，步骤S513中小鸡位置的更新公式为：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第h个鸡群个体中第j维变量的位置，h为第i个小鸡的母亲，i＝1,2,...,CN；h＝1,2,...,MN，FL为0～2之间的随机数。

本发明的有益效果是：

(1)本发明采用改进鸡群算法对BP神经网络的权重和阈值进行优化，有效解决了BP神经网络学习过程收敛速度慢，网络训练容易陷入局部最优解的问题，同时由于改进鸡群算法能够自适应的优化BP神经网络权重和阈值，因此将权重和阈值优化后的BP神经网络作为空气质量预测模型，能够得到更加精确的空气质量预测结果。

(2)本发明得到的空气质量预测模型可以结合5种气象因子，对影响空气质量的PM2.5和PM10参数进行有效预测，得到的空气质量预测结果更加精确和客观。

附图说明

图1所示为本发明实施例提供的基于改进鸡群算法优化BP神经网络的空气质量预测方法流程图。

图2所示为本发明实施例提供的单隐含层BP神经网络结构示意图。

图3所示为本发明实施例提供的步骤S5的分步骤流程图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种基于改进鸡群算法优化BP神经网络的空气质量预测方法，如图1所示，包括以下步骤S1～S6：

S1、获取原始气象数据，并对原始气象数据进行预处理，得到训练样本。

空气质量指数(Air Quality Index，AQI)是综合考虑空气质量的无量纲指数，适合说明城市内短期的空气质量变化趋势，其计算公式为：

A QI＝max{IAQI₁,IAQI₂,IAQI₃,…,IAQI_n} (1)

其中IAQI_i表示空气质量分指数，i＝0,1,2,...,n，n为污染物项目总数。AQI就是各项污染物的IAQI中的最大值。选择其中影响AQI的主要指标PM2.5与PM10作为空气质量预测的目标，并结合气压、风速、相对湿度、降水量和温度这五种气象因子作为神经网络的输入进行预测，进而得到空气质量AQI。因此，本发明实施例中，原始气象数据包括气压、风速、相对湿度、降水量、温度、PM2.5参数和PM10参数。

由于原始气象数据中可能存在较多的异常数据，比如缺失值或不符合数据规范的数据，因此需要对其进行预处理，本发明实施例中，对原始气象数据进行预处理的方法具体为：

采用拉格朗日插值算法对原始气象数据中的异常数据进行插值补充，插值公式为：

其中L(a)表示拉格朗日插值结果，a表示插值时刻，a_i,a_j分别表示第i个时刻和第j个时刻，b_i表示第i个时刻的原始气象数据，i＝0,1,2,...,n₀；j＝0,1,2,...,n₀，n₀为原始气象数据的数量。

S2、初始化设置单隐含层BP神经网络的权重和阈值。

BP神经网络(Back Propagation Neural Network，BPNN)作为一种按误差反向传播的前馈神经网络，对复杂的非线性关系有很强的解释能力，其自身也拥有很好的自组织能力和鲁棒性。本发明实施例采用单隐含层BP神经网络模型，求解相关的气象因子和可吸入颗粒物PM10、细颗粒物PM2.5之间的非线性映射关系，对颗粒物浓度进行预测，如图2所示。

S3、将训练样本输入当前单隐含层BP神经网络，得到训练结果。

本发明实施例中，训练结果包括PM2.5参数和PM10参数。

S4、根据训练结果判断当前单隐含层BP神经网络是否收敛，若是则进入步骤S6，否则进入步骤S5。

本发明实施例中，判断当前单隐含层BP神经网络是否收敛的方法具体为：

判断训练结果与实际空气质量参数之间的误差是否小于预设的误差阈值，若是则当前单隐含层BP神经网络收敛，否则当前单隐含层BP神经网络不收敛。

S5、采用改进鸡群算法对单隐含层BP神经网络的权重和阈值进行更新，返回步骤S3。

作为一种分布最广的家畜，鸡本身和它们的鸡蛋主要作为食物来源保存。家鸡是群居鸟类，其一起成群结队地生活。它们的认知能力很强，即使在分居几个月后也能够相互识别，有30多个不同的交流声音，例如咯咯声、啁啾声和哭声，其相互传递许多有关筑巢、食物发现、交配和危险的信息。除了通过尝试和错误学习，鸡也会借鉴以往的经验和其它鸡的决策经验。等级制度在鸡的社会生活中起着重要作用，优势鸡群中的鸡会主宰弱者。种群中存在着更占主导地位的靠近头公鸡的母鸡，以及更顺从的母鸡和站在群体***的公鸡。移除或添加鸡会暂时破坏一个现有的群体社会秩序，直到建立了新的等级制度。优势个体可以优先获得食物，而公鸡可能会在找到食物时，让它们的同伴先吃。这种大度的行为也存在于母鸡在抚养孩子的时候。然而，这种情况并不存在于不同群体的个体之间，当其他的鸡群个体入侵他们的领土时，鸡群将发出巨大的尖叫声。一般来说，鸡的行为因性别而异，头公鸡肯定会寻找食物，与入侵该组织领土的鸡战斗。至于小鸡，它们在妈妈身边寻找食物，每只小鸡都太简单了，不能互相合作。然而，作为一个群体，它们可能会作为一个团队协调自己，在特定的等级秩序下寻找食物。这种群智能可以与待优化的目标问题相关联。

为了简化对鸡群行为的模拟，本发明实施例中鸡群行为将按照如下方式进行抽象：

(1)在鸡群中有若干个群体，每个群体包括一只头公鸡、若干只母鸡和若干只小鸡。如何将鸡群分成若干组，并确定鸡(公鸡、母鸡和小鸡)的身份，都取决于鸡的适应度值。几只适应度值最好的鸡会被当作公鸡，其中每只鸡都是一组的头公鸡，几只适应度值最差的鸡将被指定为小鸡，剩余的是母鸡。母鸡随机选择要生活在哪个群体，母鸡和小鸡之间的母子等级关系也是随机建立的。

(2)群体中的等级秩序、支配关系和母子等级关系不变，这些状态仅在每个时间步更新一次，该时间步即为迭代步长G。

(3)鸡跟随其同伴公鸡寻找食物，但可能会阻止其它同伴吃自己的食物。假设鸡会随机地偷别人已经找到的好食物，小鸡在妈妈(母鸡)周围寻找食物。优势个体在食物竞争中具有优势。假设RN,HN,CN和MN分别表示公鸡、母鸡、小鸡和带小鸡的母鸡的数量。拥有相对最好适应度的RN个鸡将被视作公鸡，拥有相对最差的适应度值CN个鸡将被视作小鸡，剩下的将被视作母鸡。

基于上述设定，如图3所示，步骤S5包括以下分步骤S501～S516：

S501、将单隐含层BP神经网络的权重和阈值按顺序排列，得到m维向量X，其中m为单隐含层BP神经网络的权重和阈值数量之和。

本发明实施例中，如图2所示，假设单隐含层BP神经网络有n₁个输入层节点、nNode个隐含层节点和1个输出层节点，则输入层和隐含层之间有n₁*nNode个权重，隐含层和输出层之间有nNode个权重，隐含层中有nNode个阈值，因此m＝n₁*nNode+nNode+nNode＝(n₁+2)*nNode。

S502、将一个向量X作为一个鸡群个体，初始化设置鸡群的个体数量N，构建鸡群。

鸡群中第i个个体在第t次迭代对应的向量为其中i＝1,2,...N；j＝1,2,...,m。构建鸡群时还应明确鸡群游走边界，即

S503、计算鸡群中每个个体的适应度值，并按适应度值从小到大的顺序对鸡群个体进行排序，将前RN个鸡群个体作为公鸡，后CN个鸡群个体作为小鸡，中间HN个鸡群个体作为母鸡，其中RN+HN+CN＝N。

本发明实施例中，将鸡群个体的适应度值作为目标函数，其计算公式为：

其中f_i表示第i个鸡群个体的适应度值，表示采用第i个鸡群个体对应的单隐含层BP神经网络的权重和阈值所得到的训练结果，y_i为对应的实际结果，i＝1,2,...,N。

S504、确定鸡群中小鸡与母鸡的母子等级关系，初始化设置带小鸡的母鸡数量MN，其中MN≤HN。

人类饲养鸡主要是为了食物，作为食物本身，只有母鸡才能产卵，这也是食物的来源。因此养母鸡比养公鸡更有益于人类，因此HN应当比RN大。考虑到个体差异，并非所有母鸡都能同时孵蛋，因此，HN也应当大于MN。虽然每只母鸡可以饲养一只以上的小鸡，但本发明实施例中假设成年鸡的数量将超过小鸡的数量。因此，本发明实施例中，鸡群的数量参数设置如表1所示。

表1

S505、初始化设置鸡群中每个个体的位置。

当确定好鸡群游走边界后，鸡群初始化位置对算法寻优收敛速度具有较大影响，鸡群分布越均匀，算法收敛性能总体趋好。因此本发明实施例中，初始化设置鸡群中每个个***置的公式为：

其中表示第i个鸡群个体中第j维变量的初始位置，i＝1,2,...,N；j＝1,2,...,m，[x_down,x_up]为的定义域，β为混沌随机数，其取值范围为(0,1)，其比rand随机数遍历性、随机性更强。

S506、设置最大迭代次数t_max和迭代步长G，并初始化设置迭代次数t＝1。

本发明实施例中最大迭代次数t_max＝300，迭代步长G应该设置为一个适当的值，如果G值很大，则不利于算法快速收敛到全局最优，当G值很小时，该算法又可能陷入局部最优。经过试验可知，G∈[2,20]在大多数问题都能取得良好的效果。

S507、判断当前迭代次数是否能被迭代步长G整除，若是则进入步骤S509，否则进入步骤S508。

S508、令迭代次数t加1，返回步骤S507。

S509、依次更新每个公鸡的位置，并计算每个公鸡更新位置后的适应度值。

拥有最佳适应度值的公鸡相比拥有较差适应度值的公鸡更容易获取到食物，因此，拥有较佳适应度值的公鸡可以到更广泛的区域寻找，其位置寻优更新公式如下：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，i＝1,2,...,RN；j＝1,2,...,m，Randn(0,δ²)为服从均值为0，标准偏差为δ²的高斯分布，其中：

其中exp(·)为指数函数，f_i,f_k分别表示第i个鸡群个体和第k个鸡群个体的适应度值，k∈[1,RN],k≠i，ε为很小的常数，避免出现除0错误。

S510、判断每个公鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S511，否则直接进入步骤S511。

S511、依次更新每个母鸡的位置，并计算每个母鸡更新位置后的适应度值。

母鸡可以跟随它们的同伴公鸡寻找食物。此外，它们还会随机偷取其它鸡找到的好食物，尽管其它鸡会压制它们。更具优势的母鸡即拥有最佳适应度值的母鸡在争夺食物方面比更温顺的母鸡更有优势。因此，这些现象可以用数学公式模拟如下：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第r1个鸡群个体中第j维变量的位置，表示第t-1次迭代时第r2个鸡群个体中第j维变量的位置，r1为第i只母鸡自身所在群中的公鸡，r2为整个鸡群中公鸡和母鸡中随机选取的任意个体，r1≠r2，i＝1,2,...,HN；j＝1,2,...,m，Rand为[0,1]之间的正态分布，S1和S2为个体最优位置控制参数和全局最优位置控制参数，用于且：

S1＝exp((f_i-f_r1)/(abs(f_i)+ε)) (8)

S2＝exp(f_r2-f_i) (9)

其中exp(·)为指数函数，abs(·)为绝对值函数，f_i,f_r1,f_r2分别表示第i个鸡群个体、第r1个鸡群个体和第r2个鸡群个体的适应度值，ε为很小的常数，避免出现除0错误。

S1和S2用于控制鸡群靠近在自己组群中的最优位置和全局最优位置，其不停向组内最优位置和全局最优位置靠近，但是仍然缺乏随机性，因此可以改进母鸡移动方式，增强母鸡的全局寻优能力和随机寻优能力，由于柯西变异将更好控制移动的随机性，则改进母鸡位置的移动更新方式如下：

其中C(x₀,γ)为柯西分布，x₀,γ分别为柯西分布的位置参数和尺度参数。

S512、判断每个母鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S513，否则直接进入步骤S513。

S513、依次更新每个小鸡的位置，并计算每个小鸡更新位置后的适应度值。

小鸡围绕着其母亲寻找食物，其位置更新公式如下：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第h个鸡群个体中第j维变量的位置，h为第i个小鸡的母亲，i＝1,2,...,CN；h＝1,2,...,MN，FL为0～2之间的随机数。本发明实施例中，FL＝g*Rand，g∈[0.4,1]，Rand为[0,1]之间的正态分布。

S514、判断每个小鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S515，否则直接进入步骤S515。

S515、判断当前迭代次数是否达到最大迭代次数t_max，若是则进入步骤S516，否则返回步骤S507。

S516、将最优适应度值的鸡群个体所对应的单隐含层BP神经网络的权重和阈值作为权重和阈值更新结果，返回步骤S3。

S6、将当前单隐含层BP神经网络作为空气质量预测模型，并将待预测气象数据输入空气质量预测模型，得到空气质量预测结果。

本发明实施例中，如图2所示，待预测气象数据包括气压、风速、相对湿度、降水量、温度、PM2.5参数和PM10参数，空气质量预测结果包括PM2.5参数和PM10参数。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (10)

1.基于改进鸡群算法优化BP神经网络的空气质量预测方法，其特征在于，包括以下步骤：

S1、获取原始气象数据，并对原始气象数据进行预处理，得到训练样本；

S2、初始化设置单隐含层BP神经网络的权重和阈值；

S3、将训练样本输入当前单隐含层BP神经网络，得到训练结果；

S4、根据训练结果判断当前单隐含层BP神经网络是否收敛，若是则进入步骤S6，否则进入步骤S5；

S5、采用改进鸡群算法对单隐含层BP神经网络的权重和阈值进行更新，返回步骤S3；

S6、将当前单隐含层BP神经网络作为空气质量预测模型，并将待预测气象数据输入空气质量预测模型，得到空气质量预测结果。

2.根据权利要求1所述的空气质量预测方法，其特征在于，所述原始气象数据与待预测气象数据均包括气压、风速、相对湿度、降水量、温度、PM2.5参数和PM10参数，所述训练结果和空气质量预测结果均包括PM2.5参数和PM10参数。

3.根据权利要求1所述的空气质量预测方法，其特征在于，所述步骤S1中对原始气象数据进行预处理的方法具体为：

采用拉格朗日插值算法对原始气象数据中的异常数据进行插值补充，插值公式为：

其中L(a)表示拉格朗日插值结果，a表示插值时刻，a_i,a_j分别表示第i个时刻和第j个时刻，b_i表示第i个时刻的原始气象数据，i＝0,1,2,...,n₀；j＝0,1,2,...,n₀，n₀为原始气象数据的数量。

4.根据权利要求1所述的空气质量预测方法，其特征在于，所述步骤S4中判断当前单隐含层BP神经网络是否收敛的方法具体为：

判断训练结果与实际空气质量参数之间的误差是否小于预设的误差阈值，若是则当前单隐含层BP神经网络收敛，否则当前单隐含层BP神经网络不收敛。

5.根据权利要求1所述的空气质量预测方法，其特征在于，所述步骤S5包括以下分步骤：

S501、将单隐含层BP神经网络的权重和阈值按顺序排列，得到m维向量X，其中m为单隐含层BP神经网络的权重和阈值数量之和；

S502、将一个向量X作为一个鸡群个体，初始化设置鸡群的个体数量N，构建鸡群；

S503、计算鸡群中每个个体的适应度值，并按适应度值从小到大的顺序对鸡群个体进行排序，将前RN个鸡群个体作为公鸡，后CN个鸡群个体作为小鸡，中间HN个鸡群个体作为母鸡，其中RN+HN+CN＝N；

S504、确定鸡群中小鸡与母鸡的母子等级关系，初始化设置带小鸡的母鸡数量MN，其中MN≤HN；

S505、初始化设置鸡群中每个个体的位置；

S506、设置最大迭代次数t_max和迭代步长G，并初始化设置迭代次数t＝1；

S507、判断当前迭代次数是否能被迭代步长G整除，若是则进入步骤S509，否则进入步骤S508；

S508、令迭代次数t加1，返回步骤S507；

S509、依次更新每个公鸡的位置，并计算每个公鸡更新位置后的适应度值；

S510、判断每个公鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S511，否则直接进入步骤S511；

S511、依次更新每个母鸡的位置，并计算每个母鸡更新位置后的适应度值；

S512、判断每个母鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S513，否则直接进入步骤S513；

S513、依次更新每个小鸡的位置，并计算每个小鸡更新位置后的适应度值；

S514、判断每个小鸡更新位置后的适应度值是否小于当前最优适应度值，若是则更新最优适应度值，进入步骤S515，否则直接进入步骤S515；

S515、判断当前迭代次数是否达到最大迭代次数t_max，若是则进入步骤S516，否则返回步骤S507；

S516、将最优适应度值的鸡群个体所对应的单隐含层BP神经网络的权重和阈值作为权重和阈值更新结果，返回步骤S3。

6.根据权利要求5所述的空气质量预测方法，其特征在于，所述鸡群个体适应度值的计算公式为：

其中f_i表示第i个鸡群个体的适应度值，表示采用第i个鸡群个体对应的单隐含层BP神经网络的权重和阈值所得到的训练结果，y_i为对应的实际结果，i＝1,2,...,N。

7.根据权利要求5所述的空气质量预测方法，其特征在于，所述步骤S505中初始化设置鸡群中每个个***置的公式为：

其中表示第i个鸡群个体中第j维变量的初始位置，i＝1,2,...,N；j＝1,2,...,m，[x_down,x_up]为的定义域，β为混沌随机数，其取值范围为(0,1)。

8.根据权利要求5所述的空气质量预测方法，其特征在于，所述步骤S509中公鸡位置的更新公式为：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，i＝1,2,...,RN；j＝1,2,...,m，Randn(0,δ²)为服从均值为0，标准偏差为δ²的高斯分布，其中：

其中exp(·)为指数函数，f_i,f_k分别表示第i个鸡群个体和第k个鸡群个体的适应度值，k∈[1,RN],k≠i，ε为常数。

9.根据权利要求5所述的空气质量预测方法，其特征在于，所述步骤S511中母鸡位置的更新公式为：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第r1个鸡群个体中第j维变量的位置，表示第t-1次迭代时第r2个鸡群个体中第j维变量的位置，r1为第i只母鸡自身所在群中的公鸡，r2为整个鸡群中公鸡和母鸡中随机选取的任意个体，r1≠r2，i＝1,2,...,HN；j＝1,2,...,m，C(x₀,γ)为柯西分布，x₀,γ分别为柯西分布的位置参数和尺度参数，S1和S2为个体最优位置控制参数和全局最优位置控制参数，且：

S1＝exp((f_i-f_r1)/(abs(f_i)+ε))

S2＝exp(f_r2-f_i)

其中exp(·)为指数函数，abs(·)为绝对值函数，f_i,f_r1,f_r2分别表示第i个鸡群个体、第r1个鸡群个体和第r2个鸡群个体的适应度值，ε为常数。

10.根据权利要求5所述的空气质量预测方法，其特征在于，所述步骤S513中小鸡位置的更新公式为：

其中表示第t次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第i个鸡群个体中第j维变量的位置，表示第t-1次迭代时第h个鸡群个体中第j维变量的位置，h为第i个小鸡的母亲，i＝1,2,...,CN；h＝1,2,...,MN，FL为0～2之间的随机数。