基于多目标浣熊优化算法的双向长短期记忆神经网络预测

来源：计算机测量与控制杂志2025年第1期北京时间：

作者：杨凯,苏艳萍,杜强,马丽玲,杨金钰

单位：国网宁夏电力有限公司经济技术研究院

摘要：为了提高双向长短期记忆神经网络(BiLSTM,bidirectional long short-term memory neural network)的预测性能,针对BiLSTM存在的预测精度低、预测结果不稳定的问题,提出了一种新的多目标浣熊优化算法(MOCOA,Multi-objective coati optimization algorithm)。在浣熊优化算法(COA,coati optimization algorithm)的基础上,通过改进探索与开发算子,结合快速非支配排序与拥挤度距离计算方法建立精英浣熊保留策略,实现单目标到多目标的改进。基于所提算法,以预测均方误差(MSE,Mean square error)及预测误差方差为目标函数对BiLSTM超参数进行优化,并建立MOCOA-BiLSTM预测模型,最终实现精确稳定预测。将所提MOCOA-BiLSTM预测模型在变电工程造价数据集上进行了仿真测试,并与其他三种主流算法优化后的模型进行了对比。结果表明,所提MOCOA-BiLSTM的平均百分比误差相比与MOSSA-BiLSTM、NSGAIII-BiLSTM、MOMVO-BiLSTM分别降低了69.59%、58.43%、56.67%。

关键词：浣熊优化算法;多目标优化;双向长短期记忆神经网络; 参数优化;预测

基金资助：国家自然科学基金项目（面上项目，重点项目，重大项目）