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
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）
for t=1:Iters
???????for j=1:D
???????????if rand_flag<0.5??
?????????????? if abs(K1)>=1
????????????????? RLidx??? = floor(Num*rand()+1);
????????????????? X_rand?? = xwoa(RLidx, :);
????????????????? D_X_rand =abs(K2*X_rand(j)-xwoa(i,j));
????????????????? xwoa(i,j)=X_rand(j)-K1*D_X_rand;????
?????????????? else
????????????????? D_Leader =abs(K2*woa_idx(j)-xwoa(i,j));
????????????????? xwoa(i,j)=woa_idx(j)-K1*D_Leader;???
?????????????? end
???????????else
??????????????? distLeader =abs(woa_idx(j)-xwoa(i,j));
??????????????? xwoa(i,j)? =distLeader*exp(2*l).*cos(l.*2*pi)+woa_idx(j);
???????????end
???????????%目標(biāo)函數(shù)更新
???????????if xwoa(i,j)>=tmps(j,2)
?????????????? xwoa(i,j)=tmps(j,2);
???????????end
???????????if xwoa(i,j)<=tmps(j,1)
?????????????? xwoa(i,j)=tmps(j,1);
???????????end
???????end
???????gb12(i)= func_obj(xwoa(i,:));
???end
end
LR????????????? = woa_idx(1);
numHiddenUnits1 = floor(woa_idx(2))+1;% 定義隱藏層中LSTM單元的數(shù)量
numHiddenUnits2 = floor(woa_idx(3))+1;% 定義隱藏層中LSTM單元的數(shù)量
layers =func_model2(Dim,numHiddenUnits1,numHiddenUnits2);
%設(shè)置
%迭代次數(shù)
%訓(xùn)練模型
%訓(xùn)練模型
[GCNN_net, INFO] = trainNetwork(Dat_train,Lab_train, layers, opts);
Rerr = INFO.TrainingRMSE;
Rlos = INFO.TrainingLoss;
%預(yù)測(cè)
ypred2 = predict(GCNN_net, Dat_test );
figure
plot(Lab_test, 'r')
hold on
plot(ypred2, 'b-o')
legend('真實(shí)值', '預(yù)測(cè)值')
grid on
figure
subplot(211)
plot(Rerr)
xlabel('迭代次數(shù)')
ylabel('RMSE')
grid on
subplot(212)
plot(Rlos)
xlabel('迭代次數(shù)')
ylabel('LOSS')
grid on
save R2.mat Rerr Rlos ypred2 Lab_test
168
4.算法理論概述
???????基于woa優(yōu)化的GroupCNN分組卷積網(wǎng)絡(luò)時(shí)間序列預(yù)測(cè)算法是一種結(jié)合了粒子群優(yōu)化技術(shù)和分組卷積神經(jīng)網(wǎng)絡(luò)（GroupCNN）的時(shí)間序列預(yù)測(cè)方法。這種方法利用粒子群優(yōu)化來(lái)尋找最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)和超參數(shù)，以提高時(shí)間序列預(yù)測(cè)的準(zhǔn)確性和效率。
4.1 分組卷積神經(jīng)網(wǎng)絡(luò)（GroupCNN）
??????分組卷積是一種減少計(jì)算成本同時(shí)保持模型性能的有效手段。在深度學(xué)習(xí)領(lǐng)域，尤其是在卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，分組卷積被用來(lái)降低參數(shù)數(shù)量和計(jì)算復(fù)雜度。假設(shè)輸入張量為X，卷積核為W，輸出張量為Y，則分組卷積的計(jì)算可以表示為：
常規(guī)卷積和分組卷積，其區(qū)別如下圖所示：
4.2 WOA優(yōu)化算法
???????WOA即Whale Optimization Algorithm（鯨魚(yú)優(yōu)化算法），是一種受自然界鯨魚(yú)捕食行為啟發(fā)的生物啟發(fā)式優(yōu)化算法，由Eslam Mohamed于2016年提出，常用于解決各種連續(xù)優(yōu)化問(wèn)題，包括函數(shù)優(yōu)化、機(jī)器學(xué)習(xí)參數(shù)調(diào)整、工程設(shè)計(jì)等領(lǐng)域中的復(fù)雜優(yōu)化任務(wù)。鯨魚(yú)優(yōu)化算法模擬了虎鯨的兩種主要覓食策略： Bubble-net attacking 和 Spiral updating 過(guò)程。
