算数优化算法AOA优化LSTM的神经元个数，学习率，迭代次数，做多个特征变量输入，单个因变量输出的拟合预测建模。 程序内注释详细，直接替换数据就可以用。 程序可以出测试集的预测拟合图和线性拟合图，以及优化的迭次收敛图，可打印多种评价指标，方便分析和模型评价。 程序是matlab语言，需求版本是2020b及以上。 不会替换数据的可以免费指导替换数据，无原理讲解。 想要的加好友我吧。

---

当调参成了“炼丹”，试试AOA+LSTM自动优化

调参这事儿，搞过机器学习的都懂——像在炼丹炉前守着火候，多一克参数炸炉，少一克效果拉胯。今天分享个用算数优化算法（AOA）自动优化LSTM超参数的实战代码，直接把“炼丹”过程自动化。下面甩干货，代码直接扒开看，想换数据的文末找我。

---

数据准备：喂给模型的第一口饭

先整一个能直接跑的数据结构，输入输出对得上就行。这里假设你有N个特征列（比如温度、湿度、风速），最后一列是因变量（比如PM2.5浓度）。数据分训练集和测试集，比例自己定。

% 数据读取（替换这里的数据路径）
data = readmatrix('你的数据.csv'); 
inputData = data(:, 1:end-1);  % 前N列是特征
outputData = data(:, end);      % 最后一列是预测目标

% 划分训练集和测试集（7:3分）
trainRatio = 0.7;
[nSamples, ~] = size(data);
trainSize = round(trainRatio * nSamples);
XTrain = inputData(1:trainSize, :); 
YTrain = outputData(1:trainSize);
XTest = inputData(trainSize+1:end, :);
YTest = outputData(trainSize+1:end);

---

参数优化：AOA来当你的“炼丹童子”

AOA的核心是动态调整搜索策略，比遗传算法这类更“聪明”。这里要优化的参数包括LSTM的神经元个数、学习率、迭代次数。

% AOA参数设置
maxIter = 50;       % 最大迭代次数
nPop = 10;          % 种群数量
lb = [10,  0.001, 50];  % 下限：[神经元数, 学习率, 迭代次数]
ub = [200, 0.1,  200];  % 上限

% 定义优化问题
problem.objective = @(x) fitnessLSTM(x, XTrain, YTrain, XTest, YTest);
problem.vars_num = 3;     % 优化变量个数
problem.lb = lb;
problem.ub = ub;

% 启动AOA优化
[BestSol, BestCost] = AOA(problem, nPop, maxIter);

关键点解释：

• fitnessLSTM是自定义的适应度函数，内部用LSTM训练并返回测试集RMSE
• 变量BestSol会保存最优的[神经元数, 学习率, 迭代次数]

---

LSTM模型：动态调整的网络结构

在适应度函数里，根据AOA给出的参数动态构建LSTM网络，避免手动调参的麻烦。

function rmse = fitnessLSTM(OptVars, XTrain, YTrain, XTest, YTest)
    numFeatures = size(XTrain, 2);  % 特征数自动获取
    numHiddenUnits = round(OptVars(1)); % 神经元个数
    learningRate = OptVars(2);      % 学习率
    maxEpochs = round(OptVars(3));  % 迭代次数
    
    % 构建LSTM网络
    layers = [ ...
        sequenceInputLayer(numFeatures)
        lstmLayer(numHiddenUnits)
        fullyConnectedLayer(1)
        regressionLayer];
    
    options = trainingOptions('adam', ...
        'MaxEpochs', maxEpochs, ...
        'LearnRate', learningRate, ...
        'Verbose', 0);  % 不显示训练过程
    
    % 训练并预测
    net = trainNetwork(XTrain', YTrain', layers, options);
    YPred = predict(net, XTest');
    rmse = sqrt(mean((YPred - YTest').^2)); % 计算RMSE
end

避坑指南：

• 输入数据格式要转置（LSTM默认特征维在列方向）
• Verbose=0关闭训练输出，避免刷屏

---

结果可视化：三张图搞定汇报

训练完直接出图，效果好坏一目了然。

% 1. 预测值 vs 真实值（测试集）
figure;
plot(YTest, 'b', 'LineWidth', 1.5); 
hold on;
plot(YPred, 'r--', 'LineWidth', 1);
legend('真实值', '预测值');
title('测试集预测效果');

% 2. 线性拟合图
figure;
scatter(YTest, YPred);
hold on;
plot([min(YTest), max(YTest)], [min(YTest), max(YTest)], 'k--');
xlabel('真实值');
ylabel('预测值');
title('预测值-真实值线性拟合');

% 3. AOA收敛曲线
figure;
plot(BestCost, 'r', 'LineWidth', 1.5);
xlabel('迭代次数');
ylabel('RMSE');
title('AOA优化收敛过程');

评价指标：

算数优化算法AOA优化LSTM的神经元个数，学习率，迭代次数，做多个特征变量输入，单个因变量输出的拟合预测建模。 程序内注释详细，直接替换数据就可以用。 程序可以出测试集的预测拟合图和线性拟合图，以及优化的迭次收敛图，可打印多种评价指标，方便分析和模型评价。 程序是matlab语言，需求版本是2020b及以上。 不会替换数据的可以免费指导替换数据，无原理讲解。 想要的加好友我吧。

代码里内置了RMSE、MAE、R²的计算，直接打印到命令行：

fprintf('测试集RMSE: %.4f\n', rmse);
fprintf('R²: %.4f\n', 1 - sum((YTest - YPred').^2)/sum((YTest - mean(YTest)).^2));

---

怎么用？

1. 替换你的数据（确保最后一列是因变量）
2. 调整lb和ub定义你的参数范围
3. 运行，等着收图

数据不会换？直接私我，免费指导。代码在MATLAB 2020b上跑通，低版本可能报错。

---

最后说一句：调参虽可自动化，但特征工程才是真功夫。变量选得好，AOA+LSTM才能起飞。