1.基于改进的萤火虫算法优化神经网络的光纤状态预测方法，该方法由以下步骤实现：步骤一、构造样本数据：获取原始光功率样本数据，作为Elman神经网络的训练样本；

步骤二、确定网络拓扑结构：确定Elman神经网络的输入层、输出层和隐含层的节点数以及隐含层数；

步骤三、网络初始化：采用网络进行学习训练之前对所述Elman神经网络各层间的连接权值进行初始化；

步骤四、网络连接权值优化：采用改进的萤火虫算法优化Elman神经网络的各层间的连接权值；获得连接权值优化的Elman神经网络；

步骤四一、动态搜索因子：

定义自适应距离dz(t)，用公式表示为：

式中，f(xz)为第z个粒子的适应度函数值， 为第z个粒子在第t-1次迭代后所得的全局最优值， 为在第t-1次迭代时最大的适应值。

定义动态搜索因子η，用公式表示为：

式中；t为迭代次数，Luv为萤火虫u与萤火虫v之间的欧氏距离，改进的萤火虫算法位置更新公式为：xv(t+1)＝xu(t)+βLuv(xv(t)-xu(t))+η(w)dz(t)(rand-1/2)；

步骤四二、采用训练样本，根据步骤四一的改进的萤火虫算法对Elman神经网络连接权值进行优化；

具体过程为：

A、初始化种群，获得随机生成初始化萤火虫种群位置；

B、计算相对亮度，计算每个萤火虫的个体适应度值f(yj)；根据步骤三中获得的Elman神经网络的初始权值，采用训练样本训练Elman神经网络后输出，所述个体适应度值f(yj)即为期望输出与预测输出之间的误差绝对值的和，用公式表示为：

式中：N为Elman神经网络的输出层节点数；yj为Elman网络节点j的期望输出； 为Elman网络节点j的预测输出；

C、计算相对距离与吸引度：采用萤火虫之间的欧式距离公式计算相对距离，采用萤火虫间的吸引度公式计算吸引度值；

D、计算种群最优值与自适应距离：

将个体适应度值与该种群当前粒子的全局最优值Pg的适应度值进行比较，若当前个体适应度值f(yj)大于全局最优值Pg的适应度值，则将当前粒子的个体最优值PG设置为该种群当前的最好位置，并将当前粒子的个体最优值PG更新全局最优值Pg；采用步骤四一中的自适应距离公式计算萤火虫个体的自适应距离；

E、萤火虫位置更新：

根据步骤四一中的动态搜索因子公式选取的动态搜索因子η，并利用改进的萤火虫算法公式对萤火虫进行空间位置更新；

F、根据步骤E更新后的位置，重新计算相对亮度，判断更新后萤火虫的位置精度是否小于0.01或到达最大迭代次数，如果否，返回执行步骤C；如果是，输出优化后的Elman神经网络最佳连接权值；

步骤五，网络学习训练及测试；对优化后的Elman神经网络进行训练，采用测试样本对Elman神经网络的预测性能进行测试；

步骤六、光功率趋势的预测；将实时采集光功率数据输入步骤五中训练及测试后的Elman神经网络，实现对下一时刻光功率趋势变化的预测。

2.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，还包括步骤七，光纤线路状态的分析：根据步骤六获得的光功率预测信息，获得光功率预测趋势曲线，分析光纤线路进行检测。

3.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤一中，获取原始光功率样本数据，作为Elman神经网络的训练样本的具体过程为：设定已知的时间序列数据为x＝{x1,x2,…,xm}，并将所述的时间序列数据分为n个输入向量和n个目标向量，获得n组样本数据，所述n组样本数据包括训练样本和测试样本；

所述n个输入向量集合为：

S＝{(x1,x2,…,xs),(x2,x3,…,xs+1),…,(xn,xn+1,…,xn+s-1)对应的n个目标向量集合为：

T＝{xs+1,xs+2,…,xs+n}

式中，s为时间序列样本的周期。

4.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤三中，对所述Elman神经网络各层间的连接权值进行初始化具体指：对连接权值取-0.3至+0.3内的随机数。

5.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤C中，萤火虫之间的欧式距离公式：

式中，D为空间维数；xv,k为萤火v位置xv在空间中第k个分量；xu,k是萤火u位置xu在空间中第k个分量；

定义萤火虫间的吸引度为β，用公式表示为：

式中，β0为初始位置吸引度，γ为光强吸收系数。

6.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤A中初始化种群，获得随机生成初始化萤火虫种群位置的具体过程为：定义Elman神经网络的输入层与隐层之间的连接权值ω1，隐层与输出层之间的连接权值ω2，承接层与隐层之间的连接权值ω3，承接层与输出层之间的连接权值ω4，设置萤火虫种群数目M，最大吸引度β，光强吸收系数γ以及最大迭代次数tmax，随机生成初始化萤火虫种群位置。

7.根据权利要求1所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，步骤五中，训练与测试的具体过程为：数据的预处理：对样本数据进行归一化处理，采用下述公式将所述样本数据转化为[0,

1]区间的值；

式中，xmax,xmin分别代表样本的最大值和最小值；

网络的训练：将样本数据作为Elman神经网络训练样本，采用改进的萤火虫算法获取优化后的连接权值，运用连接权值优化后的Elman神经网络，计算网各各层输出及训练误差，直到优化后的Elman神经网络达到预期输出目标；

如未达到训练目标，则根据训练误差，对Elman神经网络各层间的连接权值进行初始化；

预测性能分析：选取样本数据中测试样本测试Elman神经网络的预测性能，采用相对误差RE和收敛到训练目标时的迭代次数作为评判的标准；所述相对误差RE的计算公式如下：

式中，Yq为期望值，yq为预测值。

8.根据权利要求7所述的基于改进的萤火虫算法优化神经网络的光纤状态预测方法，其特征在于，评判算法优劣的标准是指：相对误差小于0.01或最大迭代次数为100次。