一、人工蜂群算法+BP神经网络的预测模型实现流程
人工蜂群算法+BP神经网络算法的训练网络结构与传统的BP神经网络算法相同，此处不进行分析。在网络结构的选择上，选取了三层36-24-24网络结构，并选择Log-sigmoid作为此次的激活函数。
1 人工蜂群算法+BP神经网络的参数选择
为弥补BP神经网络在电力负荷预测中的不足，引入了人工蜂群算法。为了不加大后续的计算难度，需要选择合适的参数，具体设定如下：令蜂群规模为200；令跟随蜂、初始蜜源以及雇佣蜂的数量均为100；令limit为120次，算法最大迭代次数为1 000。
2 人工蜂群算法+BP神经网络模型的实现流程
人工蜂群算法+BP神经网络模型的具体实现流程如图1所示。
由图1可以看出，人工蜂群算法+BP神经网络模型的实现主要经过3个步骤：（1）在确定神经网络拓扑结构后，对蜂群参数（如蜂群大小、初始蜜源、最大迭代次数等）进行初始化处理。（2）利用雇佣蜂在领域内搜寻新蜜源，并计算其适应度情况，当适应度大于蜜源时，则进行标记与取代；反之则舍弃新蜜源。（3）对迭代过程进行检查，以确定是否达到终止条件，当达到终止条件时，获取最优权值和阈值，并进行相应的测试工作，获取最终结果；反之则重复迭代过程，直至达到最大迭代次数为止。
3 人工蜂群算法+BP神经网络模型辨识精度检验
为了确定人工蜂群算法+BP神经网络模型在预测中的可行性，以数据作为样本数据。实验中，对人工蜂群算法+BP神经网络模型与单一的BP神经网络模型同时迭代200次，得到迭代次数与均方根误差间的关系，如图2所示。
图1 人工蜂群算法+BP神经网络模型实现流程
二、部分源代码
%% 初始化clearclose allclc
三、运行结果
四、matlab版本及参考文献
1 matlab版本
a
2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，.
[3]周品.MATLAB 神经网络设计与应用[M].清华大学出版社，.
[4]陈明.MATLAB神经网络原理与实例精解[M].清华大学出版社，.
[5]方清城.MATLAB Ra神经网络设计与应用28个案例分析[M].清华大学出版社，.
[6]王天力.人工蜂群算法+BP神经网络模型在短期电力负荷预测中的应用研究[J].机电信息. ,(03)
【数据预测】基于matlab人工蜂群算法优化BP神经网络数据预测 （含优化前对比）【含Matlab源码 078期】
