改进的鲸鱼算法优化长短期记忆神经网络原理及Matlab代码复现

无事码一章

于 2024-10-02 08:00:00 发布

阅读量742

点赞数 21

分类专栏：智能算法长短期记忆神经网络文章标签：算法 matlab 深度学习 lstm

本文链接：https://blog.csdn.net/2401_86633719/article/details/142664078

版权

智能算法同时被 2 个专栏收录

21 篇文章 0 订阅

订阅专栏

长短期记忆神经网络

8 篇文章 0 订阅

订阅专栏

0 引言

为了提高鲸鱼算法全局搜索性能和局部开发性能，Mohammad H. Nadimi-Shahraki等人于2022年提出了一种增强的鲸鱼优化算法E-WOA，利用池化机制和三种有效的搜索策略：迁移、优先选择和丰富的包围猎物来提升WOA的局部和全局性能。

1 数学模型

EWOA是在WOA基础上引入池化机制来更新WOA种群增强随机性，同时采用迁移和优先选择搜索策略提高WOA全局性，丰富的包围猎物策略来提高局部开发能力，具体数学模型如下：

1）池化机制：池化机制是一种交叉算子，它将最坏的种群个体与最佳的种群个体混合，并增加多样性。具体数学模型如下：

式中 $B_{i}^{t}$ 为二进制随机向量， $\bar{B_{i}^{t}}$ 是其的反向向量。

2）迁移策略：它的搜索策略是随机选择一只座头鲸进行对无人区搜索猎物。增加整个种群的多样性，从而减少局部最优捕获。

式中 $X^{_{rnd}^{ t}}$ 是搜索空间范围内的一个随机位置，其中rand是0到1之间均匀分布的随机数，δmin和δmax是问题的下界和上界。 $X_{brnd}^{t}$ 是在最佳座头鲸附近的一个随机位置，其中δbest min和δbest max为最佳座头鲸的的上界和上界。

3）优先选择策略：优先选择策略基础池化机制随机个体选择，提高了典型WOA中寻找猎物方法的探索能力，具体模型如下：

式中 $P_{rnd1}^{t},P_{rnd2}^{t}$ 为迭代t中随机选择种群个体，Ct i使用等式定义(6)， $A_{i}^{t}$ 采用柯西分布进行抽样。

4）丰富环绕猎物搜索策略：利用池化机制内随机个体丰富鲸鱼环绕猎物策略提高全局性，具体模型如下：

式中 $P_{rnd3}^{t}$ 为迭代t中随机选择种群个体

2 模型性能提升可视化

EWOA-LSTM的时间序列可视化：采用国内某基金四年的数据。

精度指标：

训练过程：

3 Matlab代码

3.1 伪代码

3.2 EWOA主函数代码

% 主循环
while t<Max_iteration %white（t<最大迭代次数）
    a2 = -1+t*((-1)/Max_iteration);

    % 随机选择一头鲸鱼
    P_Portion = randperm(SearchAgents_no,p_rate);

    Pop_Pool = Pool.position;
    [P_rnd1, p_rnd2] = RandIndex(size(Pop_Pool,1),SearchAgents_no);

    % 概率
    p = rand(SearchAgents_no, 1);

    %A（i）采用柯西分布取样 文献table1显示
    A = 0.5 +0.1*tan(pi *(rand(SearchAgents_no,1)-0.5));
    idx = find(A<=0);
    while ~ isempty(idx)
        A(idx) = 0.5 +0.1*tan(pi* (rand(length(idx),1)-0.5));
        idx = find(A<=0);
    end
   
    A = min(A,1);

    for i=1:size(Positions,1)  %智能体个数
        if(i ~=P_Portion)
            C = 2*rand; %Eq(6)
            b = 1;
            for j = 1:size(Positions,2)
                l = (a2-1)*rand+1;
                if p(i)< 0.5
                    %增高方式：富集包围策略
                    if A(i) < 0.5 
                        rand_leader_index = floor(size(Pop_Pool,1)* rand()+ 1);%pool内随机选择
                        P_rnd3 = Pop_Pool(rand_leader_index, j);
                        
                        D_prim = abs(C*Leader_pos(j) -P_rnd3);%Eq(17)
                        X(i,j) = Leader_pos(j) - A(i)*D_prim;%Eq(16)

                        % 增高方式：优先选择策略
                    elseif A(i)>=0.5 
                        X(i,j) = Positions(i,j) +A(i)*(C* Pop_Pool(P_rnd1(i),j)-Pop_Pool(p_rnd2(i),j));%Eq(15)
                    end
                elseif p(i)>=0.5 % 螺旋泡泡攻击
                    D_prim = abs(Leader_pos(j) -Positions(i,j));%Eq(10)
                    X(i,j) = D_prim * exp(b.*l).*cos(2*pi*l)+Leader_pos(j);%Eq(9)
                end
            end
        end
    end
    
    %增高方式：迁移搜索策略（增加种群多样性）
    best_max = max(Leader_pos);
    best_min = min(Leader_pos);
    P_Portion = P_Portion';
    X_rnd = rand(size(P_Portion,1),dim).*(ub-lb)+ lb;%Eq(13)
    X_brnd = rand(size(P_Portion,1),dim).*(best_max - best_min) +best_min ;%Eq(14)增加种群多样性
    X(P_Portion,:) = X_rnd - X_brnd;%Eq(12)
    
    % 鲸鱼维度检查及适应度
    for i = 1: size(Positions,1)
        X(i,:) = boundConstraint(X(i,:),Positions(i,:),lb,ub);
        Fit(i,1) = SYD(X(i,:),net);
        net.trainParam.showWindow = 0;       % 关闭训练窗口
        % 重新选择领导者
        if Fit(i,1) < Leader_score
            Leader_score = Fit(i,1);
            Leader_pos = X(i,:);
        end
    end
    I = (Fitness > Fit);
    Ind = find(I == 1);
    x_worst = Positions(Ind, :);
    
    % 增高方式：池化机制
    Pool = Pooling_Mechanism(Pool, dim,x_worst,Leader_pos);

    % 更新鲸鱼的位置
    Fitness(Ind) = Fit(Ind);
    Positions(Ind, :) = X(Ind,:);