WOA+BILSTM+注意力机制电力系统短期负荷预测 python tensorflow2.x运行环境 numpy pandas sklearn 包含负荷数据 bp神经网络 lstm bilstm WOA+bilstm+lstm+bp优化的预测结果图 以及各预测结果与真实值的对比图

1.python程序 2.有数据集，可直接运行

鲸鱼优化算法 (whale optimization algorithm,WOA)是 2016 年由澳大利亚格里菲斯大学的Mirjalili 等提出的一种新的群体智能优化算法，其优点在于操作简单，调整的参数少以及跳出局部。代码里面包含了20几种基准测试函数，用来测试算法的性能。

(1) 基于原始鲸鱼优化算法的函数寻优算法 (2) 包含23种测试函数 (3) 方便进行扩展，加一些种群初始化策略和自适应参数调整策略很容易提升寻优性能 (4) 注释详细

1、python代码 2、有数据集，直接运行

Solar Sail 问题求解器，基于元启发式优化算法：GWO、WOA 等(c#)

针对ELMAN神经网络，分别采用PSO和WOA进行优化，MATLAB程序，亲测程序完整有效。

WOA鲸鱼优化算法，matlab2021a测试。 if abs(A)>=1 rand_leader_index = floor(SearchAgents_no*rand()+1); X_rand = Positions(rand_leader_index, :); D_X_rand=abs(C*X_rand(j)-Positions(i,j)); % Eq. (2.7) Positions(i,j)=X_rand(j)-A*D_X_rand; % Eq. (2.8) elseif abs(A)<1 D_Leader=abs(C*Leader_pos(j)-Positions(i,j)); % Eq. (2.1)

基于WOA优化的libsvm最优参数计算仿真，matlab2021a测试。 [Best_score, Best_pos,~] = WOA(agent, iteration, lb, ub, dim, fobj); cmd = ['-s 5 -t 2 ', '-c ', num2str(Best_pos(1,1)), ' -g ', ... num2str(Best_pos(1,2)), ' -q']; model = libsvmtrain(trainlabel, traindata, cmd);

通过WOA鲸鱼优化算法优化神经网络权值参数的仿真，matlab2021a仿真测试。 inputs=input'; targets=target'; m=length(inputs(:,1)); o=length(targets(:,1)); n=10; net=feedforwardnet(n); net=configure(net,inputs,targets); kk=m*n+n+n+o;