2023年算法GWCA -CNN-BiLSTM-ATTENTION回归预测（matlab）

GWCA -CNN-BiLSTM-Attention长城建造算法优化卷积-长短期记忆神经网络结合注意力机制的数据回归预测 Matlab语言。

长城建造算法（Great Wall Construction Algorithm，GWCA)的灵感来自于古长城建造过程中工人之间的竞争和淘汰机制。该成果于2023年7月在线发表，12月正式发表在中科院1区SCI期刊Expert Systems With Applications。参考文献如下：

Ziyu Guan, Changjiang Ren, Jingtai Niu, Peixi Wang, Yizi Shang,Great Wall Construction Algorithm: A novel meta-heuristic algorithm for engineer problems,Expert Systems with Applications,Volume233,2023,120905,ISSN0957-4174, https://doi.org/10.1016/j.eswa.2023.120905.

它是一种自适应的优化算法，能够根据环境的变化自动调整参数和策略。具有较强的鲁棒性，能够应对各种复杂的优化问题。

代码介绍如下：

1.多变量单输出，优化的参数为：卷积核的大小，隐藏单元数目，最大训练周期，初始学习率。评价指标包括:R2、MAE、RMSE和MAPE等，图很多，出图结果如图所示，可完全满足您的需求

长城建造算法也可以替换成其他算法，比如麻雀、鹈鹕、蜣螂等等，也可定制改进～

3.直接替换Excel数据即可用，适合新手小白

4.附赠风力发电功率测试数据，可直接运行

5.商品只是提供模型，价格不包含讲解，发货后可保证运行，但程序类商品不支持退换

6.由于每个人的数据集都是独一无二的，因此预测效果不同，无法保证替换数据就一定得到您满意的结果～

实验结果如下;

部分主函数代码如下：

Matlab 复制代码

clc;clear; close all
% GWCA_CNN_BiLSTM_ATTENTION预测
X = xlsread('风电场预测.xlsx');
X = X(5665:6665,:);  %选取部分数据
disp('..........................................................................................................................................')
disp('GWCA_CNN_BiLSTM_ATTENTION预测')
disp('由于数据量大，程序运行较慢，请耐心等待！')
disp('..........................................................................................................................................')
% GWCA参数设置
pop=5; % 种群数量
Max_iter=5; % 最大迭代次数 
dim=4; % 优化4个超参数参数 卷积核的大小 隐藏单元数目 最大训练周期 初始学习率
lb = [32, 15,30,0.001];%下边界
ub = [128,150,500,0.1];%上边界
fobj = @(x) fun(x,X) ;
[Best_score,Best_pos,curve]=GWCA(pop,Max_iter,lb,ub,dim,fobj);
% 绘制进化曲线
figure
plot(curve,'r-','linewidth',1)
xlabel('进化代数')
ylabel('均方根误差MSE')
legend('最佳适应度')
title('GWCA-CNN-BiLSTM-ATTENTION的收敛曲线')
disp('')
disp(['卷积核的大小为   ',num2str(round(Best_pos(1)))]);
disp(['最优隐藏单元数目为   ',num2str(round(Best_pos(2)))]);
disp(['最优最大训练周期为   ',num2str(round(Best_pos(3)))]);
disp(['最优初始学习率为   ',num2str((Best_pos(4)))]);
%%  将最佳参数回带
num_samples = length(X);       % 样本个数 
kim = 6;                      % 延时步长（kim个历史数据作为自变量）
zim =  1;                      % 跨zim个时间点进行预测
or_dim = size(X,2);
%  重构数据集
for i = 1: num_samples - kim - zim + 1
    res(i, :) = [reshape(X(i: i + kim - 1,:), 1, kim*or_dim), X(i + kim + zim - 1,:)];
end