1.算法運(yùn)行效果圖預(yù)覽
(完整程序運(yùn)行后無(wú)水印)
2.算法運(yùn)行軟件版本
matlab2022a/matlab2024b
3.部分核心程序
（完整版代碼包含詳細(xì)中文注釋和操作步驟視頻）
X??????= woa_idx;
%bilstm
layers=bilstm_layer(bw_in,round(X(1)),round(X(2)),bw_out,X(3),X(4),X(5));
%參數(shù)設(shè)定
opts = trainingOptions('adam', ...
???'MaxEpochs',10, ...
???'GradientThreshold',1,...
???'ExecutionEnvironment','cpu',...
???'InitialLearnRate',X(6), ...
???'LearnRateSchedule','piecewise', ...
???'LearnRateDropPeriod',2, ...??
???'LearnRateDropFactor',0.5, ...
???'Shuffle','once',...??????????
???'SequenceLength',1,...
???'MiniBatchSize',64,...
???'Verbose',1);
%網(wǎng)絡(luò)訓(xùn)練
[net1,INFO] =trainNetwork(Xtrain,Ytrain,layers,opts);
Rmsev = INFO.TrainingRMSE;
figure;
plot(Rmsev)
xlabel('訓(xùn)練次數(shù)');
ylabel('RMSE');
%預(yù)測(cè)
for i = 1:length(Xtest)
???Ypred(i)? =net1.predict(Xtest(i));
end
figure
plot(Ypred,'r-')
hold on
plot(Ytest','b-')
legend('預(yù)測(cè)值','實(shí)際值')
xlabel('時(shí)間(s)')
ylabel('負(fù)荷(KW)')
rmse = mean((Ypred(:)-Ytest(:)).^2);% 計(jì)算均方根誤差
title(sprintf('WOA-biLSTM分析-RMSE=%.3f', rmse));
save R3.mat Ypred Ytest rmse Rmsev
4.算法理論概述
? ? ? ? LSTM是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），旨在解決傳統(tǒng) RNN 在處理長(zhǎng)序列時(shí)的梯度消失和梯度爆炸問(wèn)題，從而更好地捕捉長(zhǎng)序列中的長(zhǎng)期依賴關(guān)系。其核心結(jié)構(gòu)包含輸入門(mén)、遺忘門(mén)、輸出門(mén)以及記憶單元。
? ? ? ?BiLSTM 是在 LSTM 基礎(chǔ)上發(fā)展而來(lái)，它通過(guò)同時(shí)向前和向后處理序列，能夠更好地捕捉序列中的前后文信息，從而在序列預(yù)測(cè)任務(wù)中表現(xiàn)更優(yōu)。BiLSTM 由一個(gè)前向 LSTM 和一個(gè)后向 LSTM 組成。
? ? ? ?這種結(jié)構(gòu)使得 BiLSTM 能夠同時(shí)利用序列的前文和后文信息，在處理需要全局信息的序列預(yù)測(cè)任務(wù)時(shí)具有明顯優(yōu)勢(shì)。
? ? ? ?在本課題中，將woa應(yīng)用于BiLSTM主要是為了優(yōu)化BiLSTM的超參數(shù)，如學(xué)習(xí)率、隱藏層神經(jīng)元數(shù)量等，以提升其預(yù)測(cè)性能。大致的步驟如下：
? ? ? ?1.隨機(jī)初始化一群鯨魚(yú)的位置，每個(gè)鯨魚(yú)的位置對(duì)應(yīng)一組 BiLSTM 的參數(shù)（如權(quán)重和偏置）。
? ? ? ?2.使用訓(xùn)練集對(duì) BiLSTM 進(jìn)行訓(xùn)練，并根據(jù)驗(yàn)證集的預(yù)測(cè)結(jié)果定義適應(yīng)度函數(shù)。常用的適應(yīng)度函數(shù)是均方誤差（MSE）：
? ? ? ?使用優(yōu)化后的 BiLSTM 參數(shù)在訓(xùn)練集上進(jìn)行最終訓(xùn)練。使用訓(xùn)練好的模型對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，并將預(yù)測(cè)結(jié)果進(jìn)行反歸一化處理，得到最終的預(yù)測(cè)值。WOA 具有較強(qiáng)的全局搜索能力，能夠在參數(shù)空間中尋找最優(yōu)的 BiLSTM 參數(shù)，避免陷入局部最優(yōu)解。
? ? ? ?在大多數(shù)序列預(yù)測(cè)任務(wù)中，BiLSTM的預(yù)測(cè)精度優(yōu)于LSTM。因?yàn)樗芨娴夭蹲叫蛄兄械拈L(zhǎng)期依賴關(guān)系，減少信息丟失，從而提高預(yù)測(cè)準(zhǔn)確性。
