【MATLAB第35期】基于MATLAB的2023年改进的进化算法优化LSTM时间序列预测模型思路
一、思路
拿第34期的棕熊算法举例：
优化途径：
（一）种群初始学习改进
（1）反向学习(OBOA)
（2）准反向学习（QOBOA）
（3）准反射学习（QRBOA）
（4）tent映射
（5）logical映射
（二）算法混合
（1）与算法组合（GWO-BOA）
（三）算法改进策略
（1）LEVY精英策略(LBOA)
（2）自适应策略(ABOA)–改变参数/公式等
（3）贪心策略和自适应交叉算子改进（GCBOA）
(4)融合柯西变异和反向学习策略
（四）集成学习（bilstm/lstm/gru/bigru等模型集成）
（1）adaboost
（2）bagging
（3）boost
（4）stacking
（五）特征提取
（1）BOA-CNN-LSTM
（六）注意力机制
（1）BOA-attention-LSTM
（2）BOA-TPA-LSTM
（七）LSTM结构优化
（1）超参数自适应
1、种群
（1）反向学习(OBOA)
（2）准反向学习（QOBOA）
可以通过适应度值曲线，判断出优化后的QOBOA具有微弱的优势。
LSTM结果：
LSTM训练集根均方差(RMSE)：0.023407
LSTM训练集平均绝对误差（MAE）：0.01781
LSTM训练集平均相对百分误差（MAPE）：2.9834%
LSTM训练集R-square决定系数（R2）：0.95768
LSTM测试集根均方差(RMSE)：0.024046
LSTM测试集平均绝对误差（MAE）：0.01902
LSTM测试集平均相对百分误差（MAPE）：3.2605%
LSTM测试集R-square决定系数（R2）：0.78619
IBOA-LSTM结果：
IBOA-LSTM优化得到的最优参数为：
IBOA-LSTM优化得到的隐藏单元数目为：36
IBOA-LSTM优化得到的最大训练周期为：54
IBOA-LSTM优化得到的InitialLearnRate为：0.0039018
IBOA-LSTM优化得到的L2Regularization为：0.00018416
IBOA-LSTM训练集根均方差(RMSE)：0.012387
IBOA-LSTM训练集平均绝对误差（MAE）：0.0092325
IBOA-LSTM训练集平均相对百分误差（MAPE）：1.5391%
IBOA-LSTM训练集R-square决定系数（R2）：0.98671
IBOA-LSTM测试集根均方差(RMSE)：0.015418
IBOA-LSTM测试集平均绝对误差（MAE）：0.011613
IBOA-LSTM测试集平均相对百分误差（MAPE）：1.948%
IBOA-LSTM测试集R-square决定系数（R2）：0.91412
（3）准反射学习（QRBOA）
