1.一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法，利用传感器获取目标气体的数据信息，并对数据信息进行处理；其特征在于：利用改进后的蜣螂算法优化Elman神经网络的废气污染预测模型；将Logistic‑Tent混沌映射引入蜣螂算法并对其进行优化改进，将改进后的Logistic‑Tent‑Tan混沌映射初始化樽海鞘种群个体位置生成新的混沌序列，使其避免后续出现局部最优值的情况；另外将振荡算子ω1,ω2引入蜣螂算法，对位置更新施加振荡，以提高算法多样性；利用经过改进的蜣螂算法优化Elman神经网络的权值和阈值；最后输出预测结果；具体的步骤包括：S1：对采集目标的尾气数据集信息进行处理；

S2：将处理好的数据集划分为训练集和测试集；

S3：确定Elman神经网络模型的权值、阈值和承接层值，设置网络参数；

S4：利用经过Logistic‑Tent‑Tan混沌映射公式和振荡算子ω1,ω2改进后的蜣螂算法获取最优值，将获取的最优值作为Elman神经网络的最优权值和阈值；改进蜣螂算法的具体步骤包括：步骤a：初始化蜣螂算法参数；

步骤b：将Logistic‑Tent混沌映射引入蜣螂算法，并对蜣螂算法进行优化改进；利用改进后的Logistic‑Tent‑Tan混沌映射公式初始化蜣螂种群个体位置，生成新的混沌序列，使其避免后续出现局部最优值的情况；所述的对蜣螂算法进行优化改进，是蜣螂算法经过Logistic‑Tent‑Tan混沌映射优化；改进后的Logistic‑Tent‑Tan混沌映射公式如下：+

上式中kn≠0，n∈Z；α取0.5；利用改进后的Logistic‑Tent‑Tan混沌映射公式初始化蜣螂种群个体位置，生成新的混沌序列，使其避免后续出现局部最优值的情况，提高其全局搜索能力；

步骤c：计算适应度的值；

步骤d：将振荡算子ω1,ω2引入蜣螂算法，对位置更新施加振荡，是将蜣螂算法加入新的振荡算子ω1,ω2进行优化改进，以提高算法多样性；加入的振荡算子数学模型如下：上式中，r为[0，1]的均匀随机数，t为当前迭代次数，tmax为最大迭代次数；利用振荡算子ω1,ω2增强该算法的局部搜索能力；

蜣螂算法经过加入振荡算子ω1,ω2后的蜣螂觅食位置更新公式为：l l

其中， 为上一个小蜣螂的位置，Lb，Ub分别是小蜣螂觅食区域的上界和下界；

步骤e：满足条件更新位置，否则返回步骤c；

步骤f：输出最优参数；

S5：判断是否达到结束条件，若达到条件则将最优值赋给Elman神经网络；若没有达到，则重新进行S4；

S6：利用Elman神经网络的预测值与测试数据的绝对误差和作为适应度值；

S7：记录经过蜣螂算法优化后Elman神经网络的预测值和测试数据的绝对误差和与原Elman神经网络的预测值和测试数据的绝对误差和；

S8：输出预测结果。

2.根据权利要求1所述的一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法，其特征在于：步骤S4的利用蜣螂算法优化神经网络的权值和阈值，是通过蜣螂滚球、繁殖、觅食、偷窃四个部分，蜣螂算法可以得到一个最优个体，将最优个体输入到Elman模型优化该模型的权值或阈值。

3.根据权利要求2所述的一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法，其特征在于：所述蜣螂的滚球行为分为有障碍和无障碍两种模式：在无障碍模式下时，假设光源强度会影响蜣螂位置，蜣螂在滚球过程的位置更新公式如下：上式中，t表示当前迭代次数， 表示种群中第i只蜣螂在第t次迭代时的位置；k∈(0,

0.2]表示一个常值，代表偏转系数，b是(0，1)之间的一个常值，a是赋值为‑1和1的自然系数，1表示无偏差，‑1表示偏离原方向； 表示第i只滚球蜣螂在迭代第t次时的位置；

表示当前种群最差位置， 用于模拟光强变化；

在有障碍模式下时，通过跳舞来重新获得新的前进方向，利用切线函数来模仿跳舞行为，以此获得新的前进方向，滚动方向仅在[0,π]之间；位置更新公式如下：上式中，当θ＝0， 或π时，蜣螂位置不更新； 表示第i只跳舞蜣螂迭代t代时的位置；

表示第i只蜣螂在第t次迭代时的位置与第t‑1次迭代时的位置之差。

4.根据权利要求3所述的一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法，其特征在于：蜣螂繁殖过程的公式包含繁殖边界公式和产卵公式；所述的繁殖边界公式为：上式中： T为最大迭代次数；Lb，Ub分别是下界和上界； 为当前种群的全局最优位置；

所述的产卵公式是当蜣螂产卵时每次迭代中只产生一个雏球，产卵区域是随迭代次数动态调整的，因此雏球的位置在迭代过程中也是动态的，产卵公式为：上式中： 为第i个雏球在第t次迭代时的位置；b1,b2表示两个不同的随机变量；D表示维数。

5.根据权利要求4所述的一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法，其特征在于：所述蜣螂觅食过程的公式包含觅食边界公式，以及加入振荡算子ω1,ω2后的蜣螂觅食位置更新公式；

其中，所述的觅食边界公式为：

l l

上式中： 为当前种群的全局最优位置Lb ，Ub分别是小蜣螂觅食区域的上界和下界。

6.根据权利要求2所述的一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法，其特征在于：蜣螂偷窃过程的公式如下：上式中：g表示1×D的服从正态分布的随机向量，S表示一个常数值； 表示第i只偷窃蜣螂在第t次迭代时的位置； 表示最佳食物来源； 表示当前局部最优位置。

7.根据权利要求1所述的一种基于改进蜣螂算法优化Elman神经网络的废气污染预测方法，其特征在于：所述的Elman神经网络，其改进的主要措施是在隐含层和输出层之间增加了承接层，用于隐含层输出信息的记忆存储，并作为隐含层的输入信号进行再次输入；建立起对隐含层内部的反馈，从而使得输入和输出上有了延迟传递，相当于增加了一个延时算子，运算过程以动态方程进行描述；Elman神经网络的数学模型为：y(k)＝g(ω3x(k))

x(k)＝f(ω1xc(k)+ω2(μ(k‑1)))

xc(k)＝x(k‑1)

上式中：xc(k)为反馈状态向量；y(k)为输出节点向量；x(k)为中间层节点单元向量；μ(k‑1)为输入向量；ω3为中间层到输出层连接权值；ω1为输入层到中间层连接权值；ω2为承接层到中间层连接权值；g()为输出神经元的传递函数，是中间层输出的线性组合；f()为中间层神经元的传递函数，常采用Sigmod函数；

该Elman神经网络的目标函数，即误差函数表示如下：

上式中： 为目标输入向量。