【WOA-LSTM】基于WOA优化 LSTM神经网络预测研究（Python代码实现）

news2025/1/22 15:04:38

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 鲸鱼优化算法

1.2 LSTM预测模型

📚2 运行结果

🎉3 参考文献

🌈4 Python代码实现

💥1 概述

1.1 鲸鱼优化算法

鲸鱼优化算法(Whale Optimization Algorithim,WOA)是近些年提出来的一种新型的群智能算法。原理简单,设置的参数相对较少,拥有很强的全局搜索能力。鲸鱼优化算法优化特定的问题时,类似鲸鱼捕食的行为。当猎物出现时,鲸鱼首先会选择潜入到猎物的下方,然后通过旋转的方式向上,对猎物进行攻击时则在其周围形成气泡呈螺旋状。鲸鱼捕食的过程主要分为3个过程,分别为环绕猎物、形成螺旋气泡攻击猎物和搜索过程。对此拟做研究阐释如下。
在捕食的过程中,猎物的位置即为最佳位置,鲸鱼则通过收缩环绕和螺旋来改变自身的位置。鲸鱼收缩环绕的过程如下:

1.2 LSTM预测模型

LSTM 神经网络首次提出于1997年,传统的RNN会出现梯度消失和梯度爆炸等问题,在 RNN的基础上改进的LSTM能够有效地避免这一类问题。LSTM的改进之处在于该网络在原先的基础上额外增加了记忆单元,此记忆单元能够记住过往信息并存储。另外,L.STM拥有不错的学习能力,能够很好地学习样本的潜在规律,所以能够出色地处理配电网可靠性评估这一类非线性的问题。LSTM单元结构如图2所示。

LSTM 关键参数的选取会影响影响配电网可靠性评估的精度,则需要对模型的参数进行正确选取。鲸鱼优化算法相比其他优化算法具有更加简单的原理,更少的参数,以及更强的全局搜索能力等优点，所以对于处理非线性的问题具有一定的优势,可用于对LSTM模型参数的选取。

📚2 运行结果

plt.figure(figsize=(5,5))
plt.plot(fitnessCurve)
plt.title('fitnessCurve')
plt.ylabel('values')
plt.xlabel('Number of iterations')
plt.show()

plt.plot(history.history['loss'])
plt.title('model loss')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()

fig2 = plt.figure(figsize=(10, 4),dpi=200)
ax = plt.subplot(222)
plt.plot(M, 'b-', label='AQI')
plt.plot(trainPredictPlot, 'r', label='traindata')
plt.plot(testPredictPlot, 'k', label='prediction')
plt.ylabel('AQI', fontsize=10)
plt.xlabel('time', fontsize=10)
plt.legend()
plt.show()

plt.figure(figsize=(10, 4),dpi=200)
plt.plot(range(len(train),len(dataset)),N, label="Actual", color='r',linewidth=1)
plt.plot(testPredictPlot, color='b',label='Prediction',linewidth=1,linestyle="--")
plt.title('WOA-LSTM Prediction', size=10)
plt.ylabel('AQI',size=10)
plt.xlabel('time/day',size=10)
plt.legend()
plt.show()