灰狼算法(GWO)优化长短期记忆神经网络的数据回归预测，GWO-LSTM回归预测，多输入单输出模型 评价指标包括:R2、MAE

function [Alpha_score,Alpha_pos,Convergence_curve]=GWO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj) %% 优化算法初始化 Alpha_pos = zeros(1, dim); % 初始化Alpha狼的位置 Alpha_score = inf; % 初始化Alpha狼的目标函数值,将其更改为-inf以解决最大化问题 Beta_pos = zeros(1, dim); % 初始化Beta狼的位置 Beta_score = inf; % 初始化Beta狼的目标函数值 ,将其更改为-inf以解决最大化问题 Delta_pos = zeros(1, dim); % 初始化Delta狼的位置 Delta_score = inf; % 初始化Delta狼的目标函数值,将其更改为-inf以解决最大化问题 %% 初始化搜索狼群的位置 Positions = initialization(SearchAgents_no, dim, ub, lb); %% 用于记录迭代曲线 Convergence_curve = zeros(1, Max_iteration); %% 循环计数器 iter = 0; %% 优化算法主循环 while iter < Max_iteration % 对迭代次数循环 for i = 1 : size(Positions, 1) % 遍历每个狼 % 返回超出搜索空间边界的搜索狼群 % 若搜索位置超过了搜索空间，需要重新回到搜索空间 Flag4ub = Positions(i, :) > ub; Flag4lb = Positions(i, :) < lb; % 若狼的位置在最大值和最小值之间，则位置不需要调整，若超出最大值，最回到最大值边界 % 若超出最小值，最回答最小值边界 Positions(i, :) = (Positions(i, :) .* (~(Flag4ub + Flag4lb))) + ub .* Flag4ub + lb .* Flag4lb; % 计算适应度函数值 % Positions(i, 2) = round(Positions(i, 2)); % fitness = fical(Positions(i, :)); fitness = fobj(Positions(i, :)); % 更新 Alpha, Beta, Delta if fitness < Alpha_score % 如果目标函数值小于Alpha狼的目标函数值 Alpha_score = fitness; % 则将Alpha狼的目标函数值更新为最优目标函数值 Alpha_pos = Positions(i, :); % 同时将Alpha狼的位置更新为最优位置 end if fitness > Alpha_score && fitness < Beta_score % 如果目标函数值介于于Alpha狼和Beta狼的目标函数值之间 Beta_score = fitness; % 则将Beta狼的目标函数值更新为最优目标函数值 Beta_pos = Positions(i, :); % 同时更新Beta狼的位置 end if fitness > Alpha_score && fitness > Beta_score && fitness < Delta_score % 如果目标函数值介于于Beta狼和Delta狼的目标函数值之间 Delta_score = fitness; % 则将Delta狼的目标函数值更新为最优目标函数值 Delta_pos = Positions(i, :); % 同时更新Delta狼的位置 end end % 线性权重递减 wa = 2 - iter * ((2) / Max_iteration); % 更新搜索狼群的位置 for i = 1 : size(Positions, 1) % 遍历每个狼 for j = 1 : size(Positions, 2) % 遍历每个维度 % 包围猎物，位置更新 r1 = rand; % r1 is a random number in [0,1] r2 = rand; % r2 is a random number in [0,1] A1 = 2 * wa * r1 - wa; % 计算系数A，Equation (3.3) C1 = 2 * r2; % 计算系数C，Equation (3.4) % Alpha 位置更新 D_alpha = abs(C1 * Alpha_pos(j) - Positions(i, j)); % Equation (3.5)-part 1 X1 = Alpha_pos(j) - A1 * D_alpha; % Equation (3.6)-part 1 r1 = rand; % r1 is a random number in [0,1] r2 = rand; % r2 is a random number in [0,1] A2 = 2 * wa * r1 - wa; % 计算系数A，Equation (3.3) C2 = 2 *r2; % 计算系数C，Equation (3.4) % Beta 位置更新 D_beta = abs(C2 * Beta_pos(j) - Positions(i, j)); % Equation (3.5)-part 2 X2 = Beta_pos(j) - A2 * D_beta; % Equation (3.6)-part 2 r1 = rand; % r1 is a random number in [0,1] r2 = rand; % r2 is a random number in [0,1] A3 = 2 *wa * r1 - wa; % 计算系数A，Equation (3.3) C3 = 2 *r2; % 计算系数C，Equation (3.4) % Delta 位置更新 D_delta = abs(C3 * Delta_pos(j) - Positions(i, j)); % Equation (3.5)-part 3 X3 = Delta_pos(j) - A3 * D_delta; % Equation (3.5)-part 3 % 位置更新 Positions(i, j) = (X1 + X2 + X3) / 3; % Equation (3.7) end end % 更新迭代器 iter = iter + 1; Convergence_curve(iter) = Alpha_score; disp(['第',num2str(iter),'次迭代']) disp(['current iteration is: ',num2str(iter), ', best fitness is: ', num2str(Alpha_score)]); end %% 记录最佳参数 end