CN117808034B - 一种基于狼鸟优化算法的农作物产量预测优化方法 - Google Patents
一种基于狼鸟优化算法的农作物产量预测优化方法 Download PDFInfo
- Publication number
- CN117808034B CN117808034B CN202410224100.6A CN202410224100A CN117808034B CN 117808034 B CN117808034 B CN 117808034B CN 202410224100 A CN202410224100 A CN 202410224100A CN 117808034 B CN117808034 B CN 117808034B
- Authority
- CN
- China
- Prior art keywords
- wolf
- crow
- bird
- data
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000282461 Canis lupus Species 0.000 title claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 74
- 238000005457 optimization Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000013178 mathematical model Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 21
- 241000282421 Canidae Species 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000002262 irrigation Effects 0.000 claims description 3
- 238000003973 irrigation Methods 0.000 claims description 3
- 238000005295 random walk Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 17
- 230000015654 memory Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 235000010469 Glycine max Nutrition 0.000 description 5
- 244000068988 Glycine max Species 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000003102 growth factor Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于狼鸟优化算法的农作物产量预测优化方法，属于数据预测技术领域，包括：S1、改进狼鸟优化算法的搜索比率因子，继而建立狼鸟优化算法的位置更新数学模型；S2、将LSTM网络模型的最佳学习率因子和正则化系数实数编码为一个空间解集与狼鸟算法的乌鸦和狼种群位置建立映射关系；S3、利用改进后的狼鸟算法对LSTM网络模型的最佳学习率因子和正则化系数参数整定；得到最佳学习率因子和正则化系数；S4、利用优化后的LSTM网络对影响农作物产量的因素数据处理，输出最佳农作物产量预测数据，通过本发明的方法，解决传统LSTM网络预测时，学习率因子和正则化系数不稳定的问题，提高对农作物产量预测的准确性。
Description
技术领域
本发明属于数据预测领域，具有涉及一种基于狼鸟优化算法的农作物产量预测优化方法。
背景技术
在当今时代，技术进步，特别是物联网、人工智能和大数据的发展，已经根本性地改变了农业行业的面貌。传统农业正在逐步转型为智慧农业，这一变革体现在在农作物生长的环境中部署了多种传感器设备。这些设备能够收集各种数据，并通过实时监控和分析这些数据，实现对农作物的精确管理。在这个背景下，对农作物产量的预测变得极为关键，因为它可以帮助农业工作者更准确地评估农作物的生长状况，并做出正确的决策以提高产量。目前的做法是利用历史的产量数据和其他影响因素的数据来预测未来的产量，通过分析这些数据之间的关系和影响程度来进行预测。
长短期记忆网络（LSTM）是一种特殊的循环神经网络（RNN），特别适用于处理和预测序列数据的长期依赖问题。与传统的RNN相比，LSTM通过引入门控机制（包括输入门、遗忘门和输出门）来避免长期依赖问题，从而提高了模型对时间序列数据的学习能力。在农作物生长和产量预测领域，LSTM能够有效地处理和分析时间序列数据，如历史气候变化、土壤湿度、温度等多种因素，这些因素对农作物的生长周期和产量有着直接的影响。通过训练LSTM模型来学习这些时间序列数据中的模式和依赖关系，可以对农作物的生长状况、成熟时间和潜在产量进行准确的预测。
在LSTM网络模型中，学习率和正则化系数是两个关键的超参数，它们对模型的训练效果和最终的预测性能有显著影响：学习率决定了模型权重更新的幅度，传统LSTM网络预测时， 学习率因子和正则化系数不稳定，难以确定，通常根据经验设置，如果学习率太高，模型可能会在最小化损失函数的过程中越过最佳点，导致训练不稳定甚至发散，如果学习率太低，训练过程会非常缓慢，并且陷入局部最优解。
自然界中，狼和乌鸦之间的一种互惠互利的生态系统共存和伙伴关系，被称为狼-鸟关系，基于这种自然动物关系（WBO），提出了一种新的狼鸟优化器的超启发式算法。该方法是基于乌鸦和狼的觅食行为发展起来的，其中考虑了乌鸦寻找猎物和向狼发送信号的智力；狼鸟优化算法在全局勘探阶段的搜索速度较慢，在迭代后期算法已陷入局部最优，影响算法寻优性能。
发明内容
为解决上述技术问题，提供一种基于狼鸟优化算法的农作物产量预测优化方法，
通过改进狼鸟优化算法，提高狼鸟优化算法的寻优性能，利用狼鸟优化算法整定LSTM网络
模型的最佳学习率因子和正则化系数参数，提高LSTM网络模型对农作物产量数据预测的
准确性。
本发明为实现上述目标所采用的技术方案是：
一种基于狼鸟优化算法的农作物产量预测优化方法，具体步骤为：
S1、改进狼鸟优化算法的搜索比率因子，继而建立狼鸟优化算法的位置更新数学
模型。
S2、将LSTM网络模型的最佳学习率因子和正则化系数实数编码为一个空间解集
与狼鸟优化算法的乌鸦和狼种群位置建立映射关系。
S3、利用改进后的狼鸟优化算法对LSTM网络模型的最佳学习率因子和正则化系
数参数整定；得到最佳学习率因子和正则化系数。
S4、利用优化后的LSTM网络对影响农作物产量的因素数据处理，输出最新农作物产量预测数据值。
进一步地，所述步骤S1，改进搜索比率因子，引入乌鸦个体位置适应度值，同时改
进搜索比率控制因子，改进后搜索比率因子数学模型公式为：
；
式中，为乌鸦的种群规模，为当前迭代时第个乌鸦个体位置的适应度值，当前迭代时最优乌鸦个体位置的适应度值，为搜索比率因子最大值，为搜索比
率因子最小值，为搜索比率控制因子，公式为：
；
式中，unifrnd函数取值为-A到A之间的随机数，A的数学模型公式为：
；
式中，为最大迭代次数，为取值在0到1内的随机值。
进一步地，原先搜索比率因子参数的变化是平滑的，一旦种群陷入局部最优，就
很难保持种群的多样性，导致解决方案的质量很差；改进后的搜索比率因子参数不规则变
化，可以提高种群具备逃脱当前局部解的能力。
进一步地，引入改进后的搜索比率因子，改进狼鸟优化算法在全局勘探阶段的位
置更新策略，数学模型公式为：
（1）；
式中，为第只乌鸦在第次迭代的最新位置，为第只乌鸦在第次
迭代的位置，为当前最优的乌鸦位置，为改进后的搜索比率因子，和为0到1内的
随机整数值，为猎物的中心位置。
进一步地，改进后的狼鸟优化算法整定LSTM网络模型的参数时，通过目标函数追
踪适合农作物产量数据预测的最佳学习率因子和正则化系数，目标函数数学模型为：
；
式中，为第个乌鸦个体的预测位置。
进一步地，使用温室大棚传感器对农作物生长相关数据进行数据采集，并对采集到的数据进行数据预处理，然后将处理后的数据划分为训练集、测试集和验证集。
进一步地，从温室大棚传感器中采集到的农作物生长影响因素历史数据包括以下
变量：温室日平均温度数据、温室空气湿度数据、温室土壤湿度数据、温室土壤值数据、
温室光照强度数据、温室浓度数据、温室灌溉量和频率数据、温室历史产量数据等。
进一步地，使用皮尔逊相关系数法（Pearson correlation coefficient）计
算各影响因素与农作物生长之间的相关系数，筛选出相关系数较高的变量作为模型输入特
征，相关性系数公式如下：
；
式中，为变量和变量之间的皮尔逊相关系数，范围-1到1之间，为变
量和变量之间的协方差，和为变量和变量的标准差，为期望值
操作符，其中和分别是变量和变量的均值。
进一步地，选择相关性系数较高的影响因素作为模型的输入变量，同时使用拉依达准则对数据的异常值进行识别和处理进行数据清理，并采用归一化法处理清洗后的数据，然后将数据集按6：2：2的比例划分训练集、测试集、验证集，归一化法公式如下：
；
式中，为归一化的数值，为农作物生长数据中的一个具体的观测值或数据点，为农作物生长数据中的最大值，为农作物生长数据中的最小值。
进一步地，将训练集输入S3构建的优化后的LSTM模型进行训练，得到训练完成的模型后，再将测试集和验证集输入到训练完成的模型中，对改进LSTM网络模型进行评估，将实际数据输入到模型中，得到输出结果后对结果进行反归一化处理得到农作物生长的预测结果。
进一步地，LSTM模型区别于其他神经网络之处在于其拥有独特的单元状态，表
示神经网络对于时刻前所有输入信息的总结，输入信息经过记忆细胞单元具体过程如
下式：
；
式中，为遗忘门的权重矩阵，为遗忘门的偏移向量，为激活函数，为上一单元隐藏层输出。
进一步地，经过输入门，输入们决定信息被记忆细胞单元添加到记忆中，公式如下：
；
；
式中，为输入门的偏移向量，为获取新信息的变量，为激活函数，为的
偏移向量，为输入门的权重矩阵。
进一步地，决定出遗忘和记忆的信息后，对记忆单元状态变量进行更新计算，其公式为：
；
式子，为更新后的记忆单元状态变量。
进一步地，处理后的数据最后通过输出门，输出门的计算决定了隐藏层状态变
量，其公式为：
；
；
式中，为输出门权重矩阵，为输出门偏移量，为门控制中输出结构的输出。
进一步地，经过狼鸟优化算法改进后的LSTM模型为多变量输入、单变量输出的时序预测模型，其输入为采集到的农作物生长影响因素数据，而输出为预测的若干天的农作物生长状态。
进一步地，所述步骤S3中，利用改进狼鸟优化算法整定LSTM网络模型的最佳学习
率因子和正则化系数的具体步骤为：
S31、判断当前迭代次数和最大迭代次数关系，若t<T成立，则执行S32，否则退出
循环；
S32、初始化狼鸟优化算法的迭代参数值和随机参数、搜索比率因子、搜索比
率控制因子以及狼鸟优化算法寻优候选解的初始位置、乌鸦的种群规模和狼的种群
规模；
S33、确定适应度函数最小的乌鸦的位置；
S34、模拟乌鸦对猎物随机搜索的行为，通过公式（2）建立乌鸦随机游走数学模型；
（2）；
式中，cumsum函数用于计算累积和，r(t)表示一个随机函数，当时，r(t)=
1，否则，r(t)=0；
S35、通过公式（1）确定最新乌鸦种群位置，并计算当前最新位置的适应度值，保留
适应度值最小的乌鸦位置，即最佳乌鸦的位置；
S36、通过公式（3）计算当前最佳乌鸦位置与每只狼的距离；
（3）；
式中，为第只狼与最佳乌鸦新位置的距离；和为狼在搜索空间中和
最佳乌鸦的坐标；
S37、引入位置更新阈值，判断是否小于当前随机乌鸦位置的适应度值与
的乘积，若是，则通过公式（4）更新狼种群位置，否则，通过公式（5）更新狼种群位置；
（4）；
（5）；
式（4）和式（5）中，为第只狼在第次迭代的最新位置，为第只狼在
第次迭代的位置，为乌鸦中心位置；
S38、通过Levy分布函数对乌鸦种群进行扰动处理；
S39、输出最小适应度值对应的狼个体位置，将最优狼个体位置解码为LSTM网络模
型的最佳学习率因子和正则化系数的解集。
进一步地，所述步骤S37中，位置更新阈值的数学模型公式为：
；
式中，为当前迭代次数，为最大迭代次数，为取值在0到1内的随机值。
综上所述，由于采用本技术方案，本发明的有效果为：本发明，首次利用狼鸟优化
算法优化LSTM模型对农作物产量进行预测，针对LSTM模型在预测上存在的不足，初次将改
进的狼鸟优化算法用于优化LSTM模型，引入改进后的搜索比率因子，改进狼鸟优化算法在
全局勘探阶段的位置更新策略，提高狼鸟优化算法在迭代寻优过程中全局勘探和局部开发
的平衡性，避免算法陷入局部最优，提高算法寻优性能，解决传统LSTM网络预测时， 学习率
因子和正则化系数不稳定，难以确定的问题，提高LSTM模型对农作物产量的预测精度。
附图说明
图1为农作物产量预测优化方法的流程图。
图2为狼鸟优化算法与改进后的狼鸟优化算法最优个体适应度值对比曲线。
图3为改进前后狼鸟优化算法优化LSTM网络实现农作物预测的训练集效果对比图。
图4为改进前后狼鸟优化算法优化LSTM网络实现农作物预测结果对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地 描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例， 都属于本发明保护的范围。
请参阅图1-图4，本发明提供一种技术方案。
一种农作物生长预测优化方法，包括改进的鸟狼优化算法模型和LSTM模型，利用改进的鸟狼优化算法优化LSTM模型的正则化系数和学习率，提高农作物生长预测的准确度，如图1所示，具体步骤为：
S1、改进狼鸟优化算法的搜索比率因子，继而建立狼鸟优化算法的位置更新数学
模型。
S2、将LSTM网络模型的最佳学习率因子和正则化系数实数编码为一个空间解集
与狼鸟优化算法的乌鸦和狼种群位置建立映射关系。
S3、利用改进后的狼鸟优化算法对LSTM网络模型的最佳学习率因子和正则化系
数参数整定；得到最佳学习率因子和正则化系数。
S4、利用优化后的LSTM网络对影响农作物产量的因素数据处理，输出最新农作物产量预测数据值。
进一步地，所述步骤S1，改进搜索比率因子，引入乌鸦个体位置适应度值，同时改
进搜索比率控制因子，改进后搜索比率因子数学模型公式为：
；
式中，为乌鸦的种群规模，为当前迭代时第个乌鸦个体位置的适应度值，当前迭代时最优乌鸦个体位置的适应度值，为搜索比率因子最大值，为搜索比
率因子最小值，为搜索比率控制因子，公式为：
；
式中，unifrnd函数取值为-A到A之间的随机数，A的数学模型公式为：
；
式中，为最大迭代次数，为取值在0到1内的随机值。
进一步地，原先搜索比率因子参数的变化是平滑的，一旦种群陷入局部最优，就
很难保持种群的多样性，导致解决方案的质量很差；改进后的搜索比率因子参数不规则变
化，可以提高种群具备逃脱当前局部解的能力。
进一步地，引入改进后的搜索比率因子，改进狼鸟优化算法在全局勘探阶段的位
置更新策略，数学模型公式为：
（1）；
式中，为第只乌鸦在第次迭代的最新位置，为第只乌鸦在第次
迭代的位置，为当前最优的乌鸦位置，为改进后的搜索比率因子，和为0到1内的
随机整数值，为猎物的中心位置。
进一步地，改进后的狼鸟优化算法整定LSTM网络模型的参数时，通过目标函数追
踪适合农作物产量数据预测的最佳学习率因子和正则化系数，目标函数数学模型为：
；
式中，为第个乌鸦个体的预测位置。
进一步地，使用温室大棚传感器对农作物生长相关数据进行数据采集，并对采集到的数据进行数据预处理，然后将处理后的数据划分为训练集、测试集和验证集。
进一步地，从温室大棚传感器中采集到的农作物生长影响因素历史数据包括以下
变量：温室日平均温度数据、温室空气湿度数据、温室土壤湿度数据、温室土壤值数据、
温室光照强度数据、温室浓度数据、温室灌溉量和频率数据、温室历史产量数据等。
进一步地，使用皮尔逊相关系数法（Pearson correlation coefficient）计
算各影响因素与农作物生长之间的相关系数，筛选出相关系数较高的变量作为模型输入特
征，相关性系数公式如下：
；
式中，为变量和变量之间的皮尔逊相关系数，范围-1到1之间，为变
量和变量之间的协方差，和为变量和变量的标准差，为期望值
操作符，其中和分别是变量和变量的均值。
进一步地，选择相关性系数较高的影响因素作为模型的输入变量，同时使用拉依达准则对数据的异常值进行识别和处理进行数据清理，并采用归一化法处理清洗后的数据，然后将数据集按6：2：2的比例划分训练集、测试集、验证集，归一化法公式如下：
；
式中，为归一化的数值，为农作物生长数据中的一个具体的观测值或数据点，为农作物生长数据中的最大值，为农作物生长数据中的最小值。
进一步地，将训练集输入S3构建的优化后的LSTM模型进行训练，得到训练完成的模型后，再将测试集和验证集输入到训练完成的模型中，对改进LSTM网络模型进行评估，将实际数据输入到模型中，得到输出结果后对结果进行反归一化处理得到农作物生长的预测结果。
进一步地，LSTM模型区别于其他神经网络之处在于其拥有独特的单元状态，表
示神经网络对于时刻前所有输入信息的总结，输入信息经过记忆细胞单元具体过程如
下式：
；
式中，为遗忘门的权重矩阵，为遗忘门的偏移向量，为激活函数，为上一单元隐藏层输出。
进一步地，经过输入门，输入们决定信息被记忆细胞单元添加到记忆中，公式如下：
；
；
式中，为输入门的偏移向量，为获取新信息的变量，为激活函数，为的
偏移向量，为输入门的权重矩阵。
进一步地，决定出遗忘和记忆的信息后，对记忆单元状态变量进行更新计算，其公式为：
；
式子，为更新后的记忆单元状态变量。
进一步地，处理后的数据最后通过输出门，输出门的计算决定了隐藏层状态变
量，其公式为：
；
；
式中，为输出门权重矩阵，为输出门偏移量，为门控制中输出结构的输出。
进一步地，经过狼鸟优化算法改进后的LSTM模型为多变量输入、单变量输出的时序预测模型，其输入为采集到的农作物生长影响因素数据，而输出为预测的若干天的农作物生长状态。
进一步地，所述步骤S3中，利用改进狼鸟优化算法整定LSTM网络模型的最佳学习
率因子和正则化系数的具体步骤为：
S31、判断当前迭代次数和最大迭代次数关系，若t<T成立，则执行S32，否则退出
循环；
S32、初始化狼鸟优化算法的迭代参数值和随机参数、搜索比率因子、搜索比
率控制因子以及狼鸟优化算法寻优候选解的初始位置、乌鸦的种群规模和狼的种群
规模；
S33、确定适应度函数最小的乌鸦的位置；
S34、模拟乌鸦对猎物随机搜索的行为，通过公式（2）建立乌鸦随机游走数学模型；
（2）；
式中，cumsum函数用于计算累积和，r(t)表示一个随机函数，当时，r(t)=
1，否则，r(t)=0；
S35、通过公式（1）确定最新乌鸦种群位置，并计算当前最新位置的适应度值，保留
适应度值最小的乌鸦位置，即最佳乌鸦的位置；
S36、通过公式（3）计算当前最佳乌鸦位置与每只狼的距离；
（3）；
式中，为第只狼与最佳乌鸦新位置的距离；和为狼在搜索空间中和
最佳乌鸦的坐标；
S37、引入位置更新阈值，判断是否小于当前随机乌鸦位置的适应度值与
的乘积，若是，则通过公式（4）更新狼种群位置，否则，通过公式（5）更新狼种群位置；
（4）；
（5）；
式（4）和式（5）中，为第只狼在第次迭代的最新位置，为第只狼在
第次迭代的位置，为乌鸦中心位置；
S38、通过Levy分布函数对乌鸦种群进行扰动处理；
S39、输出最小适应度值对应的狼个体位置，将最优狼个体位置解码为LSTM网络模
型的最佳学习率因子和正则化系数的解集。
进一步地，所述步骤S37中，位置更新阈值的数学模型公式为：
；
式中，为当前迭代次数，为最大迭代次数，为取值在0到1内的随机值。
实施中，将实验数据集筛选，数据集中包括温室日平均温度数据、温室空气湿度数
据、温室土壤湿度数据、温室土壤水分含量数据、温室土壤值数据、温室光照强度数据、
温室浓度数据，预处理后，用于标准LSTM模型和改进后的LSTM模型中；Matlab仿真中，设
置最大迭代迭代次数=50，随机参数初始值为0.1、搜索比率因子最小值=0.1和最
大值=1、搜索比率控制因子初始值为0.1以及乌鸦的种群规模=60和狼的种群规模=60。
利用目标函数计算狼鸟优化算法改进前后对LSTM网络模型的最佳学习率因子
和正则化系数参数寻优的适应度值，适应度值从0开始变化，随迭代的增加，最终适应度值
越低，说明算法对LSTM网络模型参数寻优效果越好，从图2中可以明显发现，经过改进后的
狼鸟优化算法优化后的LSTM网络（IBWO-LSTM）相对于改进前的狼鸟优化算法优化后的LSTM
网络（BWO-LSTM）适应度值更低，说明改进后的狼鸟优化算法优化后的LSTM网络（IBWO-
LSTM）对农作物产量值预测更佳。
如图3为大豆农作物产量预测训练集，实线圆形标注线为大豆产量的真实值，五角星虚线标注线为改进前的狼鸟优化算法优化后的LSTM网络（BWO-LSTM）预测效果，菱形点划线标注线为改进后的狼鸟优化算法优化后的LSTM网络（IBWO-LSTM）预测效果，从图中可以发现改进后的狼鸟优化算法优化后的LSTM网络（IBWO-LSTM）预测结果更佳接近大豆产量的真实值，说明在训练模型过程中结果真实，改进后的狼鸟优化算法优化后的LSTM网络（IBWO-LSTM）对大豆产量预测结果更准确，为本发明提出的利用改进狼鸟优化算法优化LSTM网络模型实现农作物产量预测的方法提供了训练验证。
如图4为大豆农作物产量预测结果图，从图中可以明显发现改进后的狼鸟优化算法优化后的LSTM网络（IBWO-LSTM）预测结果更接近大豆产量的真实值，说明本发明提出的农作物产量预测的优化方法的非常有效的。
Claims (4)
1.一种基于狼鸟优化算法的农作物产量预测优化方法，利用改进狼鸟优化算法优化LSTM网络，实现农作物产量数据预测，其特征在于，具体步骤为：
S1、改进狼鸟优化算法的搜索比率因子υ，继而建立狼鸟优化算法的位置更新数学模型；具体步骤为：
S11、引入乌鸦个体位置适应度值，同时改进搜索比率控制因子w，改进后搜索比率因子υ数学模型公式为：
式中，N1为乌鸦的种群规模，为当前迭代t时第i个乌鸦个体位置的适应度值，/>当前迭代t时最优乌鸦个体位置的适应度值，υmax为搜索比率因子最大值，υmin为搜索比率因子最小值，w为搜索比率控制因子，公式为：
w＝unifrnd(-A，A)；
式中，unifrnd函数取值为-A到A之间的随机数，A的数学模型公式为：
式中，T为最大迭代次数，rand为取值在0到1内的随机值；
S12、引入改进后的搜索比率因子υ，改进狼鸟优化算法在全局勘探阶段的位置更新策略，数学模型公式为：
式中，为第i只乌鸦在第t+1次迭代的最新位置，/>为第i只乌鸦在第t次迭代的位置，/>为当前最优的乌鸦位置，υ为改进后的搜索比率因子，r1和r2为0到1内的随机整数值，PCP为猎物的中心位置；
S2、将LSTM网络模型的最佳学习率因子c和正则化系数g实数编码为一个空间解集与狼鸟优化算法的乌鸦和狼种群位置建立映射关系；
S3、利用改进后的狼鸟优化算法对LSTM网络模型的最佳学习率因子c和正则化系数g参数整定；得到最佳学习率因子c和正则化系数g；
S4、利用优化后的LSTM网络对影响农作物产量的因素数据处理，输出最新农作物产量预测数据值，所述因素数据包括以下变量：温室日平均温度数据、温室空气湿度数据、温室土壤湿度数据、温室土壤PH值数据、温室光照强度数据、温室CO2浓度数据、温室灌溉量和频率数据、温室历史产量数据。
2.根据权利要求1所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，改进后的狼鸟优化算法整定LSTM网络模型的参数时，通过目标函数追踪适合农作物产量数据预测的最佳学习率因子c和正则化系数g，目标函数f数学模型为：
式中，为第i个乌鸦个体的预测位置。
3.根据权利要求1-2任意一项所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，所述步骤S3，利用改进狼鸟优化算法整定LSTM网络模型的最佳学习率因子c和正则化系数g的具体步骤为：
S31、判断当前迭代次数t和最大迭代次数T关系，若t＜T成立，则执行S32，否则退出循环；
S32、初始化狼鸟优化算法的迭代参数值和随机参数r(t)、搜索比率因子υ、搜索比率控制因子w以及狼鸟优化算法寻优候选解的初始位置乌鸦的种群规模N1和狼的种群规模N2；
S33、确定适应度函数最小的乌鸦的位置
S34、模拟乌鸦对猎物随机搜索的行为，通过公式(2)建立乌鸦随机游走数学模型；
式中，cumsum函数用于计算累积和，r(t)表示一个随机函数，当rand＞0.5时，r(t)＝1，否则，r(t)＝0；
S35、通过公式(1)确定最新乌鸦种群位置，并计算当前最新位置的适应度值，保留适应度值最小的乌鸦位置即最佳乌鸦的位置；
S36、通过公式(3)计算当前最佳乌鸦位置与每只狼的距离；
式中，Dm为第m只狼与最佳乌鸦新位置的距离；(x1，y1)和(x2y2)为狼在搜索空间中和最佳乌鸦的坐标；
S37、引入位置更新阈值q，判断是否小于当前随机乌鸦位置的适应度值fi与q的乘积，若是，则通过公式(4)更新狼种群位置，否则，通过公式(5)更新狼种群位置；
式(4)和式(5)中，m＝1，2，3，...，N2，i＝1，2，3，...，N1，为第m只狼在第t+1次迭代的最新位置，/>为第m只狼在第t次迭代的位置，RCP为乌鸦中心位置；
S38、通过Levy分布函数对乌鸦种群进行扰动处理；
S39、输出最小适应度值对应的狼个体位置，将最优狼个体位置解码为LSTM网络模型的最佳学习率因子c和正则化系数g的解集。
4.根据权利要求3所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，位置更新阈值q的数学模型公式为：
式中，t为当前迭代次数，T为最大迭代次数，rand为取值在0到1内的随机值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410224100.6A CN117808034B (zh) | 2024-02-29 | 2024-02-29 | 一种基于狼鸟优化算法的农作物产量预测优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410224100.6A CN117808034B (zh) | 2024-02-29 | 2024-02-29 | 一种基于狼鸟优化算法的农作物产量预测优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117808034A CN117808034A (zh) | 2024-04-02 |
| CN117808034B true CN117808034B (zh) | 2024-05-10 |
Family
ID=90428485
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410224100.6A Active CN117808034B (zh) | 2024-02-29 | 2024-02-29 | 一种基于狼鸟优化算法的农作物产量预测优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117808034B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN112163808A (zh) * | 2020-09-23 | 2021-01-01 | 贵州工程应用技术学院 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
| CN113705761A (zh) * | 2021-09-08 | 2021-11-26 | 吉林大学 | 基于维度学习策略和莱维飞行的灰狼优化方法 |
| CN114511021A (zh) * | 2022-01-27 | 2022-05-17 | 浙江树人学院（浙江树人大学） | 基于改进乌鸦搜索算法的极限学习机分类算法 |
| CN115034126A (zh) * | 2022-04-18 | 2022-09-09 | 宁波杭州湾新材料研究院 | 一种通过灰狼算法优化lstm神经网络模型的方法与系统 |
| CN116341605A (zh) * | 2023-03-27 | 2023-06-27 | 中国船舶集团有限公司第七一六研究所 | 一种基于反向学习策略的灰狼算法混合优化方法 |
| CN117035002A (zh) * | 2023-08-25 | 2023-11-10 | 江西理工大学 | 一种基于最优动态反向学习策略的灰狼算法混合优化方法 |
| CN117336818A (zh) * | 2023-10-12 | 2024-01-02 | 河北工程大学 | 基于蝗虫优化fcm的wsn分簇路由算法 |
| CN117521511A (zh) * | 2023-11-20 | 2024-02-06 | 长春理工大学 | 一种基于改进灰狼算法优化lstm的粮仓温度预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3116521A1 (en) * | 2020-04-29 | 2021-10-29 | Applied Brain Research Inc. | Methods and systems for efficient processing of recurrent neural networks |
-
2024
- 2024-02-29 CN CN202410224100.6A patent/CN117808034B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
| WO2020191801A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 |
| CN112163808A (zh) * | 2020-09-23 | 2021-01-01 | 贵州工程应用技术学院 | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 |
| CN113705761A (zh) * | 2021-09-08 | 2021-11-26 | 吉林大学 | 基于维度学习策略和莱维飞行的灰狼优化方法 |
| CN114511021A (zh) * | 2022-01-27 | 2022-05-17 | 浙江树人学院（浙江树人大学） | 基于改进乌鸦搜索算法的极限学习机分类算法 |
| CN115034126A (zh) * | 2022-04-18 | 2022-09-09 | 宁波杭州湾新材料研究院 | 一种通过灰狼算法优化lstm神经网络模型的方法与系统 |
| CN116341605A (zh) * | 2023-03-27 | 2023-06-27 | 中国船舶集团有限公司第七一六研究所 | 一种基于反向学习策略的灰狼算法混合优化方法 |
| CN117035002A (zh) * | 2023-08-25 | 2023-11-10 | 江西理工大学 | 一种基于最优动态反向学习策略的灰狼算法混合优化方法 |
| CN117336818A (zh) * | 2023-10-12 | 2024-01-02 | 河北工程大学 | 基于蝗虫优化fcm的wsn分簇路由算法 |
| CN117521511A (zh) * | 2023-11-20 | 2024-02-06 | 长春理工大学 | 一种基于改进灰狼算法优化lstm的粮仓温度预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| Analysis and Application of Grey Wolf Optimizer-Long Short-Term Memory;Jinxin Pan 等;《IEEE Access》;20201231;第8卷;121460-121468 * |
| 改进灰狼算法在土壤墒情监测预测系统中的应用;李宁 等;《计算机应用》;20171231;第37卷(第4期);1202-1206 * |
| 灰狼优化算法的改进及其在参数估计中的应用;王梦娜;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190815;第2019年卷(第8期);A002-287 * |
| 群体智能算法的混合改进综述;唐志崇;《现代计算机》;20201231(第25期);41-45 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117808034A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khoshnevisan et al. | Application of multi-layer adaptive neuro-fuzzy inference system for estimation of greenhouse strawberry yield | |
| JP2005523534A (ja) | 自動的ニューラルネットモデル発生及びメインテナンス | |
| CN114548591B (zh) | 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统 | |
| CN108416460A (zh) | 基于多因素时序—随机深度置信网络模型的蓝藻水华预测方法 | |
| CN112070241A (zh) | 基于机器学习模型的植物生长预测方法、装置和设备 | |
| CN117808034B (zh) | 一种基于狼鸟优化算法的农作物产量预测优化方法 | |
| Pravallika et al. | Deep neural network model for proficient crop yield prediction | |
| CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
| CN117575094A (zh) | 一种基于数字孪生的农作物产量预测与优化方法及设备 | |
| CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
| CN111524023A (zh) | 温室调节方法及系统 | |
| CN114550164B (zh) | 一种基于深度学习的番茄叶片病害识别研究方法 | |
| CN115630327A (zh) | 一种基于mssa-svm的电缆隧道环境事故识别方法 | |
| CN110414146B (zh) | 一种基于深度学习的水环境治理项目设计参数优化方法 | |
| Hatem et al. | Artificial intelligence for plant genomics and crop improvement | |
| Gong et al. | Studies of evolutionary algorithms for the reduced Tomgro model calibration for modelling tomato yields | |
| CN117469774B (zh) | 空调系统调控方法、装置、电子设备及存储介质 | |
| CN117575174B (zh) | 智能农业监测与管理系统 | |
| CN117784615A (zh) | 一种基于impa-rf的火控系统故障预测方法 | |
| CN112184697B (zh) | 基于果蝇优化算法的糖尿病视网膜病变分级深度学习方法 | |
| CN116957164A (zh) | 一种基于LightGBM-XGBoost集成学习的农药残留量测量方法 | |
| CN117789095B (zh) | 一种切花开放周期优化方法、系统、设备及存储介质 | |
| Madiwale et al. | Predictive Analysis for calculation of crop yield using Datamining and Machine Learning | |
| Narwariya et al. | Crop Yield Prediction using Machine Learning Techniques | |
| Kumar | Serial cascaded deep feature extraction-based adaptive attention dilated model for crop recommendation framework |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |