多策略SMA-BP神经网络的空气质量指数预测

针对BP神经网络预测精度不佳、预测结果不稳定的问题,提出改进黏菌算法(ISMA)优化BP神经网络的预测模型,引入Tent混沌映射克服初始种群分布不均的缺点,针对黏菌算法位置更新的随机性和后期容易陷入局部最优等问题引入领导者策略和莱维飞行策略,利用自适应反向学习策略扩大搜索空间并用23组基准函数加以测试。随后利用ISMA算法优化BP网络模型的初始权值和阈值,构建ISMA-BP空气质量指数预测模型,最后将收集到的779组空气质量指数数据代入预测模型中进行测试分析,实验结果表明,与BP神经网络模型、GWO-BP、SMA-BP模型相比,ISMA-BP模型对AQI的预测具有更高的精度,其预测的均方误差为3.8402,平均绝对误差分别为1.5078。