智能优化算法应用
关注
分享
扫一扫
文章平均质量分 94
主要介绍一些智能优化算法在图像以及其他领域的应用
智能算法研学社（Jack旭）
书籍《智能优化算法及其MATLAB实现》，《Python智能优化算法：从原理到代码实现与应用》，《智能优化算法与MATLAB编程实践》作者，代码获取可通过公众号，或者私信。
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
牛刀小试系列-案例1：利用“智能优化算法炼丹炉” 设计改进算法，并应用于TSP问题求解
上述案例只是一个简单的改进，相信还有更好的融合改进策略，大家可以通过“智能优化算法炼丹炉v1.1” ，针对自己的应用发现更多的改进方法。希望该工具能帮助大家快速实现自己的实验！原创 2026-01-12 22:04:01 · 686 阅读 · 0 评论 -
基于指数分布算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用指数分布算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-11-03 06:53:36 · 903 阅读 · 0 评论 -
基于斑马算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用斑马算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-11-03 06:53:28 · 1163 阅读 · 0 评论 -
基于袋獾算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用袋獾算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-11-03 06:53:19 · 936 阅读 · 0 评论 -
基于减法平均算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用减法平均算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-11-03 06:53:10 · 1137 阅读 · 0 评论 -
基于鱼鹰算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用鱼鹰算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-11-03 06:53:02 · 1231 阅读 · 0 评论 -
基于驾驶训练算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用驾驶训练算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-31 06:47:26 · 1116 阅读 · 0 评论 -
基于浣熊算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用浣熊算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-31 06:47:16 · 632 阅读 · 0 评论 -
基于厨师算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用厨师算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-31 06:47:07 · 749 阅读 · 0 评论 -
基于卷积优化算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用卷积优化算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-31 06:46:58 · 569 阅读 · 0 评论 -
基于人工兔算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用人工兔算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-31 06:46:50 · 704 阅读 · 0 评论 -
基于协作搜索算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用协作搜索算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-30 06:42:05 · 851 阅读 · 0 评论 -
基于人工蜂鸟算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用人工蜂鸟算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-30 06:41:54 · 981 阅读 · 0 评论 -
基于蜣螂算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用蜣螂算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-30 06:41:45 · 1008 阅读 · 0 评论 -
基于法医调查算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用法医调查算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-30 06:41:37 · 918 阅读 · 0 评论 -
基于孔雀算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用孔雀算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-30 06:41:30 · 835 阅读 · 0 评论 -
基于白鲸算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用白鲸算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-29 06:38:12 · 711 阅读 · 0 评论 -
基于侏儒猫鼬算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用侏儒猫鼬算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-29 06:37:57 · 872 阅读 · 0 评论 -
基于沙猫群算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用沙猫群算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-29 06:37:43 · 751 阅读 · 0 评论 -
基于战争策略算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用战争策略算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-29 06:37:32 · 1003 阅读 · 0 评论 -
基于广义正态分布算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用广义正态分布算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；为双曲正切激活函数；原创 2025-10-29 06:37:24 · 707 阅读 · 0 评论 -
基于食肉植物算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用食肉植物算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-28 06:43:11 · 684 阅读 · 0 评论 -
基于金豺算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用金豺算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-28 06:42:59 · 759 阅读 · 0 评论 -
基于鹈鹕算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用鹈鹕算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-28 06:42:51 · 544 阅读 · 0 评论 -
基于北方苍鹰算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用北方苍鹰算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-28 06:42:43 · 1307 阅读 · 0 评论 -
基于蛇优化算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用蛇优化算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-28 06:42:35 · 690 阅读 · 0 评论 -
基于材料生成算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用材料生成算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-27 06:25:12 · 1381 阅读 · 0 评论 -
基于跳蛛算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用跳蛛算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-27 06:25:01 · 1473 阅读 · 0 评论 -
基于向量加权平均算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用向量加权平均算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；为双曲正切激活函数；原创 2025-10-27 06:24:52 · 1218 阅读 · 0 评论 -
基于金枪鱼群算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用金枪鱼群算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-27 06:24:42 · 738 阅读 · 0 评论 -
基于爬行动物算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用爬行动物算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-27 06:24:33 · 819 阅读 · 0 评论 -
基于原子轨道搜索算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用原子轨道搜索算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；为双曲正切激活函数；原创 2025-10-24 06:44:41 · 846 阅读 · 0 评论 -
基于天鹰算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用天鹰算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-24 06:44:29 · 929 阅读 · 0 评论 -
基于鹰栖息算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用鹰栖息算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-24 06:44:21 · 644 阅读 · 0 评论 -
基于卷尾猴算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用卷尾猴算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-24 06:44:13 · 645 阅读 · 0 评论 -
基于人工大猩猩部队算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用人工大猩猩部队算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；原创 2025-10-24 06:44:05 · 784 阅读 · 0 评论 -
基于晶体结构算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用晶体结构算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-22 06:45:23 · 702 阅读 · 0 评论 -
基于变色龙算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用变色龙算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-22 06:45:14 · 1216 阅读 · 0 评论 -
基于白冠鸡算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用白冠鸡算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的偏置系数。原创 2025-10-22 06:45:06 · 1260 阅读 · 0 评论 -
基于骑手优化算法优化卷积神经网络结合长短期记忆网络与注意力机制(CNN-LSTM-Attention)的风电场发电功率预测
最终优化的输出为最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值。然后利用最佳学习率，LSTM神经元个数，正则化参数，注意力机制键值训练后的网络对测试数据集进行测试。本文利用骑手优化算法对LSTM的参数（学习率，LSTM神经元个数，正则化参数）和注意力机制键值进行优化。我们利用Windowsize = 5天的数据预测下一天的数据， 于是5天的数据一共包含14*5=70维度，预测输出1维数据，即实际发电功率（mw）。分别为 ：t时刻下遗忘门限，输入门限，状态矩阵，输出门限；分别为各对应层的权重t；原创 2025-10-22 06:44:59 · 766 阅读 · 0 评论