目录
1.程序功能描述
传统LSTM模型的网络层数量依赖人工经验选择,易导致过拟合或欠拟合问题。黑翅鸢优化算法(Black Kite Algorithm, BKA)是模拟黑翅鸢捕食行为的新型群智能优化算法,具有收敛速度快、全局搜索能力强的特点。将BKA用于优化LSTM的网络层数量,构建BKA-LSTM模型,可实现时间序列预测精度与模型泛化能力的提升。
2.测试软件版本以及运行结果展示
MATLAB2022A/MATLAB2024B版本运行



3.部分程序
...............................................................
% 将优化得到的最佳参数转换为整数,作为LSTM隐藏层神经元数量
% 加1是为了确保至少有1个神经元
NN=floor(XPosNew(II,:))+1;
% 设置网络训练参数
options = trainingOptions('adam', ... % 使用Adam优化器,适合深度学习训练
'MaxEpochs', 240, ... % 最大训练轮数为240
'GradientThreshold', 1, ... % 梯度阈值为1,防止梯度爆炸
'InitialLearnRate', 0.004, ... % 初始学习率为0.004
'LearnRateSchedule', 'piecewise', ...% 学习率调度方式为分段衰减
'LearnRateDropPeriod', 60, ... % 每60轮衰减一次学习率
'LearnRateDropFactor',0.2, ... % 学习率衰减因子为0.2(变为原来的20%)
'L2Regularization', 0.01, ... % L2正则化系数为0.01,防止过拟合
'ExecutionEnvironment', 'gpu',... % 使用GPU加速训练(需配置GPU支持)
'Verbose', 0, ... % 不显示训练过程细节
'Plots', 'training-progress'); % 显示训练进度图表(损失变化等)
% 训练LSTM网络
[net,INFO] = trainNetwork(Pxtrain, Txtrain, layers, options);
% 使用训练好的网络进行预测
Dat_yc1 = predict(net, Pxtrain); % 对训练数据进行预测(归一化尺度)
Dat_yc2 = predict(net, Pxtest); % 对测试数据进行预测(归一化尺度)
% 将预测结果反归一化,恢复到原始数据范围
Datn_yc1 = mapminmax('reverse', Dat_yc1, Norm_O);
Datn_yc2 = mapminmax('reverse', Dat_yc2, Norm_O);
% 将细胞数组转换为矩阵(方便后续处理和分析)
Datn_yc1 = cell2mat(Datn_yc1);
Datn_yc2 = cell2mat(Datn_yc2);
% 保存训练信息、预测结果和收敛曲线到MAT文件,便于后续分析
save R2.mat INFO Datn_yc1 Datn_yc2 T_train T_test Convergence_curve
116
4.算法理论概述
BKA是2022年提出的新型群智能算法,模拟黑翅鸢在捕食过程中的"侦察 - 俯冲 - 攻击"行为,通过种群迭代实现对最优解的搜索。其核心优势在于:无需梯度信息、全局搜索能力强、收敛速度快,适合优化LSTM的超参数(如网络层数量L)。
黑翅鸢的捕食过程分为三个阶段,对应 BKA 的三个搜索机制:
侦察阶段(全局搜索):黑翅鸢在高空盘旋,随机搜索猎物(对应算法中种群个体随机更新位置,探索搜索空间);
俯冲阶段(局部开发):发现猎物后,黑翅鸢沿直线俯冲靠近(对应算法中个体向最优个体靠拢,细化局部搜索);
攻击阶段(精英引导):接近猎物时,黑翅鸢调整姿态精准攻击(对应算法中引入精英个体,引导种群向全局最优方向收敛)。
具体的实现步骤如下:
步骤 1:种群初始化
在预设的LSTM层数量搜索范围 [Lmin ,L max]内(通常Lmin =1 , Lmax =10 ,需根据数据复杂度调整),随机生成N个初始个体:

步骤 2:适应度计算
对每个初始个体Li(0) ,构建对应的LSTM模型,训练后计算其在验证集上的预测误差,将误差作为适应度函数值(适应度越大,对应Li 越优):

步骤 3:种群更新(侦察 - 俯冲 - 攻击)
BKA通过引入"全局最优个体Xg "(所有个体中适应度最大的Lg )和 "个体历史最优 X ibest "(第 i 个个体迭代至今适应度最大的Libest ),分三个阶段更新个体位置:



BKA-LSTM模型通过黑翅鸢优化算法的全局搜索能力,解决了传统LSTM网络层数量依赖人工经验的问题,其核心逻辑可概括为:" BKA 优化超参数,LSTM建模时间序列**"**。从原理上看,BKA的 "侦察 - 俯冲 - 攻击" 机制确保了最优层数量的高效搜索,LSTM的门控机制实现了时间序列深层特征的提取
5.完整程序
VVV
关注后手机上输入程序码:116