蚁群算法是全局搜索方式的优化算法，具有自组织、正反馈、分布式并行计算的能力，被广泛应用于TSP、图像识别、巡航导弹航路规划、供应链物资配送等领域[14～17]。蚁群算法不仅对这些实际问题具有优化功能，而且与其他学科交叉，起到优化其他数学算法参数的功能。近年来，用蚁群算法优化神经网络的研究越来越多。
蚁群算法优化小波神经网络的目的就是代替梯度下降法，寻找网络权值与小波参数的最佳组合。基本思路是：小波神经网络参数的选取依赖于蚂蚁的搜索，用信息素调整决定下次循环蚂蚁要走的路径（选择的参数），将选择的一组网络参数输入给小波神经网络进行训练，输出均方误差；经过若干次的训练，满足网络结束条件时，蚁群找到一条最优的路径（一组参数），然后将这组最优参数用在小波神经网络预测中。
WNN的数学模型见式（2-24）。根据需要，本节选择在时域和频域具有很好局部特性的Marr小波函数[18]：
网络输出的均方误差见式（2-36）。用蚁群算法优化WNN时，原蚁群算法的信息素调整公式（4-13）和（4-14）可写为：
式中：ek为将第k 只蚂蚁选择的一组参数作为小波神经网络的权值、伸缩系数、平移系数，即：
式中：dk为小波神经网络的期望输出。(www.xing528.com)
（5）若C 中元素未遍历完，则程序转到第（3）步，否则执行第（6）步。
（6）利用各蚂蚁选择的权值、小波参数按照式（2-24）和式（2-36）计算神经网络的输出值和均方误差。
（7）根据式（4-19）～式（4-22）更新每条路径上的信息素。
（8）N＝N＋1。如果蚂蚁全部收敛到一条最优路径或者循环次数N＞Nmax，则循环结束，输出程序计算结果，否则禁忌表tabuk清零，并转到第（3）步。
（9）经过以上的训练，蚁群算法优化的小波神经网络达到稳定状态，将该状态下的网络参数用于下一个阶段的预测问题，输出预期结果。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
