GWO-CNN-GRU-Attention灰狼算法优化多变量时间序列预测，含优化前后对比（Matlab完整源码和数据）

如果发现代码注释乱的小伙伴，请不要慌张！ 这是由于每个计算机的编码格式不同导致的 可以将每个.m文件采用记事本打开然后更改别的编码格式试试！ 这里介绍一个一劳永逸的办法，下载MATLAB2023版本！ 2023版本的matlab成功解决了代码注释乱的问题！ 网络结构代码如下： layers0 = [ ... % 输入特征 sequenceInputLayer([numFeatures,1,1],'name','input') %输入层设置 sequenceFoldingLayer('name','fold') %使用序列折叠层对图像序列的时间步长进行独立的卷积运算。 % CNN特征提取 convolution2dLayer([3,1],16,'Stride',[1,1],'name','conv1') %添加卷积层，64，1表示过滤器大小，10过滤器个数，Stride是垂直和水平过滤的步长 batchNormalizationLayer('name','batchnorm1') % BN层，用于加速训练过程，防止梯度消失或梯度爆炸 reluLayer('name','relu1') % ReLU激活层，用于保持输出的非线性性及修正梯度的问题 % 池化层 maxPooling2dLayer([2,1],'Stride',2,'Padding','same','name','maxpool') % 第一层池化层，包括3x3大小的池化窗口，步长为1，same填充方式 % 展开层 sequenceUnfoldingLayer('name','unfold') %独立的卷积运行结束后，要将序列恢复 %平滑层 flattenLayer('name','flatten') gruLayer(25,'Outputmode','last','name','hidden1') selfAttentionLayer(1,2) %创建一个单头，2个键和查询通道的自注意力层 dropoutLayer(0.1,'name','dropout_1') % Dropout层，以概率为0.2丢弃输入 fullyConnectedLayer(1,'name','fullconnect') % 全连接层设置（影响输出维度）（cell层出来的输出层） % regressionLayer('Name','output') ]; lgraph0 = layerGraph(layers0); lgraph0 = connectLayers(lgraph0,'fold/miniBatchSize','unfold/miniBatchSize'); %% Set the hyper parameters for unet training %% options0 = trainingOptions('adam', ... % 优化算法Adam 'MaxEpochs', 30, ... % 最大训练次数 'GradientThreshold', 1, ... % 梯度阈值 'InitialLearnRate', 0.01, ... % 初始学习率 'L2Regularization', 0.001, ... % 正则化参数 'ExecutionEnvironment', 'cpu',... % 训练环境 'Verbose', 1, ... % 关闭优化过程 'Plots', 'none'); % 画出曲线 % % start training