GJO-VMD-GJO-LSTM（金豺优化算法-变分模态分解-金豺优化算法-长短期记忆网络）

 1.金豺优化算法（Golden jackal optimization，GJO）是一种新的元启发式算法，

GJO-VMD-GJO-LSTM代码获取戳此处

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