0 引言
? ? ? ? 基于LSTM进行时间序列预测方法简单有效。LSTM的出现为时间序列预测提供了一个新的研究方向。然而，与大部分网络模型一样，LSTM效果受其超参数设置的影响。为此，本文采用海洋捕食者算法MPA优化LSTM网络超参数，建立MAP-LSTM模型?, ?实例验证表明 , MPA-LSTM 模型的预测效果明显提高。
1 原理
1.1 LSTM原理
1.2 海洋捕食者算法
????????海洋捕食者算法 ( Marine Predators Algorithm，MPA) 是Afshin Faramarzi 等人于 2020 年提出的一种新型元启发式优化算法，其灵感来源于海洋适者生存理论，即海洋捕食者通过在Lévy 游走或布朗游走之间选择最佳觅食策略。具有寻优能力强等特点。
?1.3 MPA优化LSTM原理
? ? ? ? 以最小化LSTM网络的误差为适应度函数，MPA的作用就是尽量去找一组最优超参数使得网络误差最小化。本文中LSTM的主要几个超参数分别是：学习率lr，batchsize，训练次数K，两个隐含层的节点数L1和L2。
?
2 代码实现
? ? ? ? 基于MATLAB2020b，进行模型搭建与优化。数据结构为时间序列，我们采用前n个时刻的值为输入，n+1时刻?的值为输出这样来进行滚动建模。
2.1 LSTM结果
2.2 MPA-LSTM结果
? ? ? ? 由于是最小化网络误差，因此适应度曲线是一条下降的曲线。从图上可以看出，在第二个寻优的时候就找到了最优超参数组合。
?下图为不同超参数的变化曲线，从图中可以看出，学batchsize，两个隐含层的节点数L1和L2，训练次数K，习率lr，分别为：16,? 78，73,? 32，0.0044
?利用上述最优参数建立的MPA-LSTM模型结果为：
?2.3 方法对比
3 结论
? ? ? ? 从以上分析可以看出，优化后的LSTM具有更好的精度。
?
?