1.算法运行效果图预览
(完整程序运行后无水印)
2.算法运行软件版本
matlab2022a
3.部分核心程序
（完整版代码包含详细中文注释和操作步骤视频）
for i=1:Num
for j=1:dim
r1 = rand;
r2 = rand;
A1 = 2*a*r1-a;%
C1 = 2*r2; %
D_alpha = abs(C1*Alpx(j)-xpos(i,j));%
X1 = Alpx(j)-A1*D_alpha; %
r1 = rand;
r2 = rand;
A2 = 2*a*r1-a; %
C2 = 2*r2; %
D_beta = abs(C2*btx(j)-xpos(i,j)); %
X2 = btx(j)-A2*D_beta; %
r1 = rand;
r2 = rand;
A3 = 2*a*r1-a; %
C3 = 2*r2; %
D_delta = abs(C3*dltx(j)-xpos(i,j)); %
X3 = dltx(j)-A3*D_delta; %
xpos(i,j) = (X1+X2+X3)/3;%
if xpos(i,j)>=Lmax(j)
xpos(i,j)=Lmax(j);
end
if xpos(i,j)<=Lmin(j)
xpos(i,j)=Lmin(j);
end
end
end
end
LR = Alpx(1);
numHiddenUnits1 = floor(Alpx(2))+1;% 定义隐藏层中LSTM单元的数量
numHiddenUnits2 = floor(Alpx(3))+1;% 定义隐藏层中LSTM单元的数量
%训练
[GCNN_net, INFO] = trainNetwork(Dat_train, Lab_train, layers, opts);
Rerr = INFO.TrainingRMSE;
Rlos = INFO.TrainingLoss;
%预测
ypred2 = predict(GCNN_net, Dat_test );
figure
plot(Lab_test, 'r')
hold on
plot(ypred2, 'b-o')
legend('真实值', '预测值')
grid on
figure
subplot(211)
plot(Rerr)
xlabel('迭代次数')
ylabel('RMSE')
grid on
subplot(212)
plot(Rlos)
xlabel('迭代次数')
ylabel('LOSS')
grid on
save R2.mat Rerr Rlos ypred2 Lab_test
169
4.算法理论概述
时间序列回归预测是数据分析的重要领域，旨在根据历史数据预测未来时刻的数值。近年来，分组卷积神经网络在时间序列预测中展现出显著优势。然而，模型参数的有效设置对预测性能至关重要。灰狼优化（GWO）作为一种高效的全局优化算法，被引入用于优化分组卷积神经网络的超参数。
4.1 分组卷积神经网络（GroupCNN）
分组卷积是一种减少计算成本同时保持模型性能的有效手段。在深度学习领域，尤其是在卷积神经网络（CNN）中，分组卷积被用来降低参数数量和计算复杂度。假设输入张量为X，卷积核为W，输出张量为Y，则分组卷积的计算可以表示为：
常规卷积和分组卷积，其区别如下图所示：
4.2 GWO优化
灰狼优化(Grey Wolf Optimizer, GWO)是一种受到灰狼社群行为启发的全球优化算法，由Seyedali Mirjalili等于2014年提出。它模仿了灰狼在自然界中的领导层次结构、狩猎策略以及社会共存机制，以解决各种复杂的优化问题。与遗传算法类似，GWO也是基于种群的优化技术，但其独特的搜索策略和更新规则使其在处理某些类型的问题时展现出不同的优势。
在GWO算法中，灰狼被分为四类：α（领头狼）、β（第二领导者）、δ（第三领导者）以及普通狼（Ω）。在每次迭代中，这些角色对应于当前种群中适应度最好的三个解以及其余的解。通过模拟这些狼在捕食过程中的协作与竞争，算法逐步向全局最优解靠近.
