2023新优化应用:RIME-CNN-LSTM-Attention超前24步多变量回归预测算法

程序平台：适用于MATLAB 2023版及以上版本。

霜冰优化算法是2023年发表于SCI、中科院二区Top期刊《Neurocomputing》上的新优化算法，现如今还未有RIME优化算法应用文献哦。RIME主要对霜冰的形成过程进行模拟，将其巧妙地应用于算法搜索领域。

该文献对RIME进行了定性分析实验，以阐明该算法在寻找最优解过程中的特点。然后，对RIME在经典的IEEE CEC2017和最新的IEEE CEC2022测试集中的42个函数进行了性能测试。将提出的算法与10个经典算法和10个最新改进算法进行比较，以验证其性能优势。此外，文献还设计了RIME的参数分析实验，以探讨该算法在运行不同参数和处理不同问题方面的潜力。最后，将RIME应用于五个实际工程问题，以验证其在实际问题中的有效性和优越性。

①通过模拟软霜颗粒的运动，作者提出了一种全新的算法搜索策略，即软霜搜索策略。这个策略的灵感来自于对软霜颗粒在运动中的特性的模拟。

②同时，文中还模拟了硬霜颗粒之间的交叉行为，提出了硬霜穿刺机制，以更好地利用这一算法。这个穿刺机制通过模拟硬霜颗粒相互交叉的方式，为算法引入了一种新的优化手段。

③最后，在元启发式算法的选择机制方面进行了改进，引入了正向贪婪选择机制。通过结合软霜搜索策略、硬霜穿刺机制和正向贪婪选择机制构建RIME算法。

我们利用该高创新算法对我们的CNN-LSTM-Attention时序和空间特征结合-融合注意力机制的回归预测程序代码中的超参数进行优化。

代码说明：霜冰优化算法（RIME）、卷积神经网络（CNN）和长短期记忆网络（LSTM）融合多头自注意力机制（Multihead SelfAttention）的超前24步多变量时间序列回归预测算法。

功能：

1、多变量特征输入，单序列变量输出，输入前一天的特征，实现后一天的预测，超前24步预测。

2、通过霜冰优化算法优化学习率、卷积核大小、神经元个数3个关键参数，以最小MAPE为目标函数。

3、提供损失、RMSE迭代变化极坐标图；网络的特征可视化图；测试对比图；适应度曲线。

4、提供MAPE、RMSE、MAE等计算结果展示。

适用领域：

风速预测、光伏功率预测、发电功率预测、碳价预测等多种应用。

数据集格式：

前一天18个气象特征，采样时间为24小时，输出为第二天的24小时的功率出力，也就是18×24输入，1×24输出，一共有75个这样的样本。

预测值与实际值对比结果：

训练特征可视化：

训练误差曲线的极坐标形式（误差由内到外越来越接近0）：

适应度曲线：

部分核心代码：

function [Best_rime_rate, Best_pos, Convergence_curve, bestPred, bestNet, bestInfo] = RIME(SearchAgents_no, Max_iter, lb, ub, dim, fobj)% 初始化位置Best_rime = zeros(1, dim);Best_rime_rate = inf; % 用于最大化问题，请将此值改为 -inffor i = 1:dimRimepop(:, i) = lb(i) + rand(SearchAgents_no, 1) .* (ub(i) - lb(i));   % 初始种群endLb = lb .* ones(1, dim); % 下边界Ub = ub .* ones(1, dim); % 上边界it = 1; % 迭代次数Convergence_curve = zeros(1, Max_iter);Rime_rates = zeros(1, SearchAgents_no); % 初始化适应度值newRime_rates = zeros(1, SearchAgents_no);W = 5; % 软霜冰参数，在论文第4.3.1节中有详细讨论% 计算初始位置的适应度值for i = 1:SearchAgents_no[Rime_rates(1, i),Value{i},Net{i},Info{i}] = fobj(Rimepop(i, :)); % 计算每个搜索体的适应度值% 进行贪婪选择if Rime_rates(1, i) < Best_rime_rateBest_rime_rate = Rime_rates(1, i);Best_rime = Rimepop(i, :);bestPred = Value{i};bestNet = Net{i};bestInfo = Info{i};endend% 主循环while it <= Max_iterRimeFactor = (rand - 0.5) * 2 * cos((pi * it / (Max_iter / 10))) * (1 - round(it * W / Max_iter) / W); % 公式(3),(4),(5)的参数E = (it / Max_iter)^0.5; % 公式(6)newRimepop = Rimepop; % 记录新的种群normalized_rime_rates = normr(Rime_rates); % 公式(7)的参数for i = 1:SearchAgents_nofor j = 1:dim% 软霜冰搜索策略r1 = rand();if r1 < EnewRimepop(i, j) = Best_rime(1, j) + RimeFactor * ((Ub(j) - Lb(j)) * rand + Lb(j)); % 公式(3)end% 硬霜冰穿刺机制r2 = rand();if r2 < normalized_rime_rates(i)newRimepop(i, j) = Best_rime(1, j); % 公式(7)endendendfor i = 1:SearchAgents_no% 边界吸收Flag4ub = newRimepop(i, :) > ub;Flag4lb = newRimepop(i, :) < lb;newRimepop(i, :) = (newRimepop(i, :) .* ~(Flag4ub + Flag4lb)) + ub .* Flag4ub + lb .* Flag4lb;[newRime_rates(1, i),newValue{i},newNet{i},newInfo{i}] = fobj(newRimepop(i, :));% 正向贪婪选择机制if newRime_rates(1, i) < Rime_rates(1, i)Rime_rates(1, i) = newRime_rates(1, i);Rimepop(i, :) = newRimepop(i, :);Value{i} = newValue{i};Net{i} = newNet{i};Info{i} = newInfo{i};完整代码：https://mbd.pub/o/bread/mbd-ZZealpds

部分图片来源于网络，侵权联系删除！

关注小编会不定期推送高创新型、高质量的学习资料、文章程序代码，为你的科研加油助力~