目录
一、程序及算法内容介绍：
基本内容：
-
本代码基于Matlab 平台编译，将GWO (灰狼群优化算法)与CNN- LSTM （卷积-长短期记忆神经网络）结合，进行多输入数据回归预测
-
输入训练的数据包含7个特征 ，1个响应值 ，即通过7个输入值预测1个输出值**（多变量回归预测，输入输出个数可自行指定）**
-
归一化训练数据，提升网络泛化性
-
通过GWO算法优化CNN-LSTM网络的学习率、卷积核大小、神经元个数，共三个超参数，记录下最优的网络参数
-
训练CNN-LSTM网络进行回归预测，实现更加精准的预测
-
迭代计算过程中，自动显示优化进度条，实时查看程序运行进展情况
-
自动输出多种多样的的误差评价指标，自动输出大量实验效果图片
亮点与优势：
-
注释详细，几乎每一关键行都有注释说明，适合小白起步学习
-
直接运行Main函数即可看到所有结果，使用便捷
-
编程习惯良好，程序主体标准化，逻辑清晰，方便阅读代码
-
所有数据均采用Excel格式输入，替换数据方便，适合懒人选手
-
出图详细、丰富、美观，可直观查看运行效果
-
附带详细的说明文档（下图），其内容包括：算法原理+使用方法说明
二、实际运行效果：
三、算法介绍：
灰狼优化算法：
灰狼优化算法（GWO）是一种基于模拟灰狼群体捕食行为的启发式优化算法，核心思想源于模拟灰狼群体的社会行为，分为三个主要角色：Alpha（α）、Beta（β）和Delta（δ）分别代表群体中的领导狼，以及Omega（ω）作为辅助狼。这三个角色根据其在问题空间中的适应度来调整其位置，模拟灰狼群体的协作捕食过程，在平衡探索和开发方面表现良好。该算法在工程领域，如神经网络、调度、控制、电力系统等，有广泛应用，具有较强的全局搜索能力和性能优越的特点。
卷积神经网络-长短期记忆网络：
CNN-LSTM是一种深度学习模型，结合了卷积神经网络（CNN）和长短时记忆网络（LSTM）。这种结合使得模型能够处理融合了空间和时间信息的序列数据。
卷积神经网络（CNN）：CNN主要用于处理空间信息，如图像数据。它通过卷积操作来提取输入数据中的空间特征，具有良好的特征提取能力和参数共享特性。长短时记忆网络（LSTM）：LSTM主要用于处理时间序列数据，如文本、语音等。它能够捕捉数据中的时间依赖关系，避免了传统循环神经网络中的梯度消失或爆炸问题，具有长期记忆能力。
CNN-LSTM模型结合了这两种网络的优势，可以在时间序列数据中同时提取空间特征（通过CNN）和时间依赖关系（通过LSTM）。这使得CNN-LSTM模型在诸如视频分析、动作识别、气象预测等任务中表现出色。通过CNN的空间特征提取和LSTM的时间建模，CNN-LSTM能够更有效地处理具有时空信息的序列数据。
四、完整程序下载：
