✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

 👇 关注我领取海量matlab电子书和数学建模资料 

🍊个人信条：做科研，博学之、审问之、慎思之、明辨之、笃行之，是为：博学慎思，明辨笃行。

🔥 内容介绍 

一、引言

在当今大数据时代，深度学习模型如卷积神经网络（CNN）和长短期记忆网络（LSTM），在各类预测任务中展现出强大的能力。然而，这些模型的性能高度依赖于超参数的设置。鲸鱼算法（WOA）作为一种新兴的元启发式优化算法，模拟鲸鱼的捕食行为，为优化深度学习模型的超参数提供了新途径。基于 WOA 对 CNN - LSTM 模型超参数进行优化，有望提升模型在预测任务中的准确性和稳定性。

二、深度学习模型：CNN 与 LSTM

1. CNN 原理

   ：CNN 主要用于处理具有网格结构的数据，如图像、时间序列等。它通过卷积层、池化层和全连接层等组件进行特征提取和分类。卷积层利用卷积核在数据上滑动，提取局部特征；池化层则对特征图进行下采样，减少数据维度同时保留关键信息。例如，在时间序列预测中，CNN 可以捕捉数据的局部模式和趋势。

2. LSTM 原理

   ：LSTM 专门设计用于处理时间序列数据中的长期依赖问题。它通过输入门、遗忘门和输出门来控制信息的流入、保留和输出。在处理序列数据时，LSTM 能够记住长时间的信息，避免传统循环神经网络中的梯度消失或爆炸问题。例如，在预测股票价格走势这类长期依赖明显的任务中，LSTM 能有效捕捉价格变化的长期趋势。

3. CNN - LSTM 组合优势

   ：将 CNN 和 LSTM 结合，可以充分发挥两者的优势。CNN 负责提取数据的局部特征，LSTM 则处理这些特征的时间序列信息，从而更全面地挖掘数据中的模式，提高预测性能。例如，在电力负荷预测中，CNN 可以提取电力负荷数据在短时间内的波动特征，LSTM 进一步分析这些特征随时间的演变，从而做出更准确的预测。

三、鲸鱼算法（WOA）

1. 仿生原理

   ：WOA 模拟了座头鲸的泡泡网捕食策略。座头鲸在捕食时，会围绕猎物游动并吐出泡泡形成包围圈，逐渐缩小包围范围，最后发起攻击捕获猎物。WOA 算法将优化问题的解空间看作海洋，每个解看作一只鲸鱼，通过模拟鲸鱼的捕食行为来寻找最优解。

2. 算法流程

   ：

   • 初始化种群

     ：随机生成一定数量的鲸鱼个体，每个个体代表深度学习模型的一组超参数，如 CNN 的卷积核大小、层数，LSTM 的隐藏单元数量等。

   • 适应度评估

     ：将每组超参数应用到 CNN - LSTM 模型中，使用训练数据进行模型训练，并在验证集上评估模型的预测性能，将预测误差（如均方误差、平均绝对误差等）作为适应度值。适应度值越小，说明该组超参数对应的模型性能越好。

   • 位置更新

     ：鲸鱼个体根据当前所处位置与猎物位置（最优解）的关系，采用不同的策略更新自己的位置。如果鲸鱼靠近猎物，会采用收缩包围策略，向猎物靠近；如果鲸鱼远离猎物，则会采用螺旋式更新策略，探索新的搜索空间。通过不断更新鲸鱼的位置，逐步优化超参数。

   • 迭代优化

     ：重复适应度评估和位置更新步骤，直到满足预设的终止条件，如达到最大迭代次数或适应度值收敛。

四、基于 WOA 的 CNN - LSTM 超参数优化过程

1. 超参数确定

   ：明确需要优化的 CNN - LSTM 模型超参数，如 CNN 的卷积核数量、大小，池化方式，LSTM 的隐藏层数量、隐藏单元数量，学习率，批处理大小等。这些超参数的不同组合会对模型性能产生显著影响。

2. WOA 与 CNN - LSTM 结合

   ：

   • 编码

     ：将超参数编码为鲸鱼个体的位置向量。例如，将卷积核大小、隐藏单元数量等超参数按照一定顺序排列，形成一个向量，代表一只鲸鱼的位置。

   • 优化循环

     ：在每次迭代中，WOA 根据适应度值调整鲸鱼个体的位置（即超参数组合）。将更新后的超参数应用到 CNN - LSTM 模型，重新训练模型并评估其在验证集上的性能，得到新的适应度值。根据新的适应度值，进一步调整鲸鱼的位置，不断优化超参数。

3. 模型评估与选择

   ：当 WOA 达到终止条件后，得到一组最优超参数。使用这组超参数在测试集上评估 CNN - LSTM 模型的性能，并与未优化超参数的模型以及其他优化方法得到的模型进行对比。通过比较预测准确率、均方误差等指标，验证基于 WOA 优化的 CNN - LSTM 模型的优越性。

五、实验与结果分析

1. 实验设置

   ：选择典型的预测数据集，如时间序列的气温预测数据、金融市场的股票价格预测数据等。将数据集划分为训练集、验证集和测试集。分别使用未优化超参数的 CNN - LSTM 模型、采用其他优化算法（如随机搜索、粒子群优化等）优化超参数的 CNN - LSTM 模型，以及基于 WOA 优化超参数的 CNN - LSTM 模型进行实验。

2. 评估指标

   ：采用均方误差（MSE）、平均绝对误差（MAE）、预测准确率等指标评估模型性能。MSE 和 MAE 衡量预测值与真实值之间的误差，值越小表示预测越准确；预测准确率则直接反映模型预测正确的比例。

3. 结果分析

   ：实验结果表明，基于 WOA 优化超参数的 CNN - LSTM 模型在各项指标上通常优于未优化超参数的模型以及采用其他优化算法的模型。例如，在气温预测任务中，WOA - CNN - LSTM 模型的 MSE 相比未优化模型降低了 [X]%，MAE 降低了 [X]%，预测准确率提高了 [X]%。这说明 WOA 能够有效地搜索到更优的超参数组合，提升 CNN - LSTM 模型的预测性能。

⛳️ 运行结果

🔗 参考文献

[1]全睿,程功,周宇龙,等.基于增强型鲸鱼优化算法CNN-BiGRU-AT模型的燃料电池衰退预测[J].电工技术学报, 2025(19).

🍅更多创新智能优化算法模型和应用场景可扫描关注

🌟机器学习/深度学习类：BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer、模糊小波神经网络、宽度学习等等均可~

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟组合预测类：CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~

🌟分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可~

🌟路径规划类：旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化等等~

🌟小众优化类：生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化、微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化等等均可~

 🌟 无人机应用方面：无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌟通信方面：传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟信号处理方面：信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面： 微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化

🌟原创改进优化算法（适合需要创新的同学）：原创改进2025年的波动光学优化算法WOO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心