【MATLAB】LSTM/GRU网络回归/分类预测问题改进与优化合集(结合2021年新进化算法）#持续更新
目录
概述：
1.原理：通过进化算法寻找LSTM网络最优超参数。
2.本文测试数据为12输入单输出，解决回归问题。
3.评价指标：测试集实际值与预测值对比，目标函数为rmse，另外附MAE、MAPE、R2计算值
4.优化LSTM三个参数，即隐含层神经元数，学习率，训练次数
5.本代码进化算法为测试参数，为了提高运算速度，迭代次数为3，种群数量为5，可自行修改
金枪鱼算法TSO-LSTM
%TSO_LSTM
clear all;
close all;
clc;
Particles_no = 10; % 种群数量 50
Function_name=‘LSTM_MIN’;
Max_iter = 3; % 迭代次数 10
Low = [10 0.001 10 ];%三个参数的下限
Up = [200 0.02 200 ];%三个参数的上限
Dim = 3;%待优化参数数量
fobj = @(x)LSTM_MIN(x);
train_x=input(:,1:n);
train_y=output(:,1:n);
test_x=input(:,n+1:end);
test_y=output(:,n+1:end);
method=@mapminmax;
% method=@mapstd;
[train_x,train_ps]=method(train_x);
test_x=method(‘apply’,test_x,train_ps);
[train_y,output_ps]=method(train_y);
test_y=method(‘apply’,test_y,output_ps);
XTrain = double(train_x) ;
XTest = double(test_x) ;
YTrain = double(train_y);
YTest = double(test_y);
numFeatures = size(XTrain,1); %输入特征维数
numResponses = size(YTrain,1);%输出特征维数
layers = [ …
sequenceInputLayer(numFeatures)%输入层，参数是输入特征维数
lstmLayer(Tuna1(1,1))%lstm层，如果想要构建多层lstm，改几个参数就行了
fullyConnectedLayer(numResponses)%全连接层，也就是输出的维数
regressionLayer];%该参数说明是在进行回归问题，而不是分类问题
options = trainingOptions(‘adam’, …%求解器设置为’adam’
‘MaxEpochs’,Tuna1(1,3), …%这个参数是最大迭代次数，即进行200次训练，每次训练后更新神经网络参数
‘MiniBatchSize’,16, …%用于每次训练迭代的最小批次的大小。
‘InitialLearnRate’,Tuna1(1,2), …%学习率
‘GradientThreshold’,1, …%设置梯度阀值为1 ，防止梯度爆炸
‘Verbose’,false, …%如果将其设置为true，则有关训练进度的信息将被打印到命令窗口中。
‘Plots’,‘training-progress’);%构建曲线图
%对每个时间步进行预测，对于每次预测，使用前一时间步的观测值预测下一个时间步。
net = trainNetwork(XTrain,YTrain,layers,options);
numTimeStepsTest = size(XTest,2);
for i = 1:numTimeStepsTest
[net,YPred(:,i)] = predictAndUpdateState(net,XTest(:,i),‘ExecutionEnvironment’,‘cpu’);
end
% 结果
% 反归一化
predict_value=method(‘reverse’,YPred,output_ps);
predict_value=double(predict_value);
true_value=method(‘reverse’,YTest,output_ps);
true_value=double(true_value);
for i=1
figure
plot(true_value(i,:),’-’,‘linewidth’,2)
hold on
plot(predict_value(i,:),’-s’,‘linewidth’,2)
legend(‘实际值’,‘预测值’)
grid on
title(‘TSO-LSTM预测结果’)
ylim([-500 500])
rmse=sqrt(mean((true_value(i,:)-predict_value(i,:)).^2));
disp([’-----------’,num2str(i),’------------’])
disp([‘均方根误差(RMSE)：’,num2str(rmse)])
mae=mean(abs(true_value(i,:)-predict_value(i,:)));
disp([‘平均绝对误差（MAE）：’,num2str(mae)])
mape=mean(abs((true_value(i,:)-predict_value(i,:))./true_value(i,:)));
disp([‘平均相对百分误差（MAPE）：’,num2str(mape100),’%’])
r2=R2(true_value(i,:),predict_value(i,:));
disp([‘R-square决定系数（R2）：’,num2str(r2)])
end
实际效果以自己的数据为准，本文测试结果并不代表算法最终效果。不同数据，数据处理方式，待优化参数等均不同。
孔雀优化算法(POA)-LSTM
与上文同数据、同进化算法设置参数。效果仅供参考
猎人优化算法(HPO)-LSTM
1.2021年Iraj Naruei等人提出的猎人优化算法，Hunter–prey optimization， 与LSTM网络结合，优化LSTM超参数。
2.该算法的灵感来自狮子、豹子和狼等捕食性动物以及雄鹿和瞪羚等猎物的行为。动物狩猎行为的场景有很多，其中一些已经转化为优化算法。本文使用的场景与之前算法的场景不同。在提议的方法中，猎物和捕食者种群以及捕食者攻击远离猎物种群的猎物。猎人向着这个远处的猎物调整自己的位置，而猎物则向着安全的地方调整自己的位置。作为适应度函数最佳值的搜索代理的位置被认为是安全的位置。在几个测试函数上实现的 HPO 算法以评估其性能。此外，对于性能验证，所提出的算法被应用于几个工程问题。结果表明，所提出的算法在解决测试功能和工程问题方面表现良好。
3.本文为测试数据，12输入，单输出，回归问题。与上文同数据、同进化算法设置参数。效果仅供参考
面包多链接
https://mianbaoduo.com/o/civil_dog
有问题可QQ咨询，252745536，麻烦添加前备注清楚。