目录

1.程序功能描述

2.测试软件版本以及运行结果展示

3.部分程序

4.算法理论概述

4.1 霸王龙优化

4.1.1 迭代概率比计算

4.1.2 种群位置更新

4.1.3 边界约束

4.1.4 适应度更新与最优个体筛选

4.2 最优LSTM

5.完整程序

---

1.程序功能描述

       TROA-LSTM是将霸王龙优化算法与长短期记忆网络   结合的时间序列预测模型。其逻辑是：利用TROA的全局寻优能力，自适应优化LSTM的关键超参数(本代码中为LSTM隐藏层神经元数量)，解决LSTM超参数凭经验设置导致的预测精度不足问题；再用优化后的LSTM网络学习时间序列的时序依赖特征，实现一维时间序列的精准预测。

2.测试软件版本以及运行结果展示

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(znew(I))+1;

% 定义LSTM神经网络结构
layers = [ ...
    sequenceInputLayer(indim)             % 序列输入层，输入维度为indim
    lstmLayer(NN)                         % LSTM层，神经元数量为优化得到的NN
    reluLayer                             % ReLU激活函数层，增加非线性能力
    fullyConnectedLayer(outdim)           % 全连接层，输出维度为outdim
    regressionLayer];                     % 回归层，用于回归任务（输出连续值）

% 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', 'cpu',...    % 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

141

4.算法理论概述

      TROA-LSTM是将霸王龙优化算法(Tyrannosaurus Rex Optimization Algorithm, TROA)与长短期记忆网络(LSTM)结合的混合预测模型，专门用于一维时间序列（如气温、股价、负荷、流量等连续单变量时序数据)预测。其核心思想是：利用TROA算法的全局寻优能力，自动优化LSTM网络的关键超参数(本程序中为LSTM隐藏层神经元数量)，解决人工调参效率低、精度差的问题，最终提升一维时间序列的预测准确性和泛化能力。

一维时间序列预测的核心目标是：基于历史连续观测值x1​,x2​,...,xt​，构建映射模型预测未来时刻xt+1​的值，属于时序回归任务，LSTM擅长捕捉时序数据的长期依赖关系，而TROA可高效优化 LSTM的核心参数，二者结合形成高性能预测模型。

4.1 霸王龙优化

TROA是模拟霸王龙捕食行为的智能优化算法，核心模拟霸王龙追击猎物的行为，通过种群迭代搜索全局最优解，具有收敛快、寻优精度高的特点。算法核心设定：种群分为霸王龙（领导者）和猎物，通过追击成功率、奔跑速率等参数更新位置，逐步逼近最优参数。

其核心行为参数：

追击成功率sr：霸王龙捕获猎物的概率；

霸王龙奔跑率tr：霸王龙追击的速度系数；

猎物奔跑率pr：猎物逃跑的速度系数；

迭代概率比ES：随迭代次数动态调整的追击概率，平衡全局搜索和局部开发。

通过迭代更新种群位置，筛选最优LSTM神经元数量，循环至最大迭代次数：

4.1.1 迭代概率比计算

随迭代次数动态调整，平衡全局搜索和局部开发：

4.1.2 种群位置更新

模拟霸王龙追击猎物行为，分成功追击和失败两种情况：

4.1.3 边界约束

防止参数超出搜索范围：

4.1.4 适应度更新与最优个体筛选

计算新位置适应度，若更优则替换原位置，更新全局最优参数：

4.2 最优LSTM

迭代结束后，筛选适应度最小的最优个体，转换为LSTM隐藏层神经元数量NN：

根据最优神经元数NN构建LSTM网络，适配一维时序预测：

5.完整程序

VVV

关注后手机上输入程序码：145