1.金豺优化算法(Golden jackal optimization,GJO)是一种新的元启发式算法,
![](https://img-blog.csdnimg.cn/direct/c413302bc9684a359f2b50586ab3a2fe.png)
它是由Nitish Chopra和Muhammad Mohsin Ansari于2022年提出的。该算法模拟了金豺的合作狩猎行为,包括搜索猎物、包围猎物和攻击猎物三个基本步骤。GJO算法的基本原理是通过模拟金豺的狩猎行为,来寻找最优解。具体来说,算法通过不断地搜索、包围和攻击猎物,来逐步优化解的质量。在搜索过程中,算法会根据当前的最优解和最劣解,来调整搜索的方向和步长。在包围和攻击猎物的过程中,算法会根据当前的最优解和最劣解,来调整猎豹的速度和方向,以便更好地捕获猎物。
金豺优化算法的优点包括: 1. 算法新颖,具有较高的研究价值和应用前景。 2. 算法模拟了金豺的狩猎行为,具有较强的生物学基础。 3. 算法能够通过迭代的方式逐步优化路径,具有较高的优化效率。 4. 算法能够应用于机器人路径规划等多个领域,具有广泛的应用前景。
2.本文采用金豺GJO对vmd变分模态分解进行参数寻优即分解层数和惩罚因子α巡游效果如下
包括分解图 频谱图 适应度变化曲线 参数随迭代位置变化图
3.
随后对分解分量逐一进行长短期记忆网络LSTM建模预测,同时LST参数通过GJO金豺进行参数寻优一使模型达到最佳效果,其预测效果对比模型有
lstm、GJO-VMD-LSTM/GJO-VMD-GJO-LSTM 对比结果如下
从图中可以看出/GJO-VMD-GJO-LSTM预测效果精确度更高,效果更好