【LSTM时序预测】北方苍鹰算法优化长短时记忆NGO-LSTM时序时间序列数据预测（含前后对比）【含Matlab源码 3096期】

⛄一、北方苍鹰算法优化长短时记忆NGO-LSTM时序时间序列数据预测简介

1、北方苍鹰优化算法
受北方苍鹰捕食行为的启发，文献[1]提出了一种新的基于种群的优化算法——北方苍鹰优化(Northern goshawk optimization, NGO)算法。

（1）初始化阶段
在算法开始时，种群成员在搜索空间中随机初始化，如式(1)所示：

其中，X XX表示北方苍鹰种群的矩阵，X i X_iX i是第i ii个个体的初始解，x i , j x_{i,j}x ​ 是第i ii个个体第j jj维的值，N NN是种群成员的数量，m mm是问题空间的维度。
北方苍鹰种群的目标函数值可以用目标函数值向量表示。
（2）第一阶段：猎物识别(探索)
苍鹰在狩猎的第一阶段，随机选择一个猎物，然后迅速攻击它。由于搜索空间中猎物的随机选择，该阶段增加了NGO的探索能力。该阶段导致搜索空间的全局搜索，目的是识别最优区域。
（3）第二阶段：追逐和逃跑行为(开发)
在苍鹰攻击猎物后，猎物试图逃跑。因此，在尾随和追逐过程中，苍鹰继续追逐猎物。由于苍鹰的高速飞行，它们几乎可以在任何情况下追逐猎物并最