简介面向时间序列预测需求提供Matlab实现的鲸鱼算法优化双向长短期记忆网络WOA-BiLSTM完整程序适合正在研究时序预测或需要构建深度学习预测模型的学生、科研人员与工程师可应用于电力负荷、交通流量、气象要素等典型随时间变化数据的回归预测场景。压缩包共10个文件以5个功能明确的m源程序为核心分别承担数据读取、预处理、WOA优化、BiLSTM训练及性能评估等任务另附4个png预测结果图和1个xlsx示例数据文件整体仅135KB结构精炼适合快速理解与二次开发。已有471人学习下载。程序自动优化学习率、隐藏层节点数和正则化参数用户可直接运行主程序复现完整预测流程得到预测曲线与误差对比图并可通过xlsx文件替换为自身业务数据便于在真实场景中验证WOA-BiLSTM的优化效果代码结构清晰注释到位适合教学演示与论文实验参考。1. WOA-BiLSTM核心机制与建模路径时间序列预测里LSTM 的隐藏层维度、学习率、批大小这些超参数直接决定拟合上限。手动试凑耗时网格搜索在高维参数空间里几乎不可行。鲸鱼算法WOA是一种模拟座头鲸气泡网捕食的元启发式算法用种群迭代逼近目标函数的极值天然适合给 BiLSTM 当超参数搜索器。BiLSTM 在普通 LSTM 基础上增加反向时序传播能同时读取历史与未来上下文对负荷、流量、股价这类前后关联强的序列更友好。本文面向的是已经跑通单步 LSTM、想换 BiLSTM 并引入自动调参的工程人员重点讲清楚 WOA 与 BiLSTM 的接口设计以及从数据到预测曲线的完整闭环。2. 数据预处理与数据集划分2.1 读入与归一化时间序列预测的第一步不是搭网络而是把数据整理成监督学习格式。假设你有 1000 个时间步的单变量序列data要预测未来 1 步需要构造X: (样本数, 特征数, 序列长度)与Y: (样本数, 输出维度)。Matlab 的lstmLayer默认接收不同格式看你是用trainNetwork还是dlnetwork。传统做法常用 cell 数组每个样本是一个numFeatures × numTimeSteps的矩阵。自分倾向于dlnetwork路线因为后面要接 WOA 的循环迭代每次都要重建网络或更新参数dlnetwork更适合程序化操作。读入 CSV 后先做归一化常见做法是 mapminmax 或 zscore。对时间序列推荐用 mapminmax 把数据压到 [-1,1]因为 BiLSTM 默认激活函数是 tanh输入落在这个区间能缓解梯度问题。data readmatrix(series.csv); data data(:); dataNorm mapminmax(data, -1, 1); dataNorm dataNorm;mapminmax的输出是行向量所以读入后转置两次保持列向量结构。注意readmatrix在 Matlab R2023a 之后对混合类型支持更好如果你用的版本较老建议改用csvread或load看数据格式。归一化参数ps保存下来预测结束后要用mapminmax(reverse, ...)还原不要只保存归一化后的数据。2.2 构造训练集与测试集监督学习格式的滑窗构造核心是lag值。预测步长futureSteps1则样本X{i}是1 × lag的向量Y(i)是滞后一步的真值。注意要避免数据泄露测试集的归一化参数必须来自训练集不能对全序列统一归一化。滑动窗口构造用循环即可数据量到十万级时再考虑buffer函数加速。function [X, Y, ps] createSlidingWindow(data, lag, trainRatio) [dataNorm, ps] mapminmax(data, -1, 1); dataNorm dataNorm; numSamples length(dataNorm) - lag; X cell(numSamples, 1); Y zeros(numSamples, 1); for i 1:numSamples X{i} dataNorm(i : i lag - 1); Y(i) dataNorm(i lag); end trainNum round(numSamples * trainRatio); XTrain X(1:trainNum); YTrain Y(1:trainNum); XTest X(trainNum1:end); YTest Y(trainNum1:end); end代码里X{i}是lag×1的列向量对应sequenceInputLayer的InputSizelag。trainRatio0.8表示前 80% 的样本训练后 20% 测试。注意这里的时间顺序没有打乱乱序会破坏序列依赖。参数推荐值说明lag24周期序列取一个周期长度日数据取 7/30trainRatio0.8验证集可从训练集尾部切 10%futureSteps1单步预测多步见第 5 章3. 构建BiLSTM网络与WOA参数绑定3.1 BiLSTM 层配置BiLSTM 在 Matlab 中以bilstmLayer形式提供底层是两个方向的 LSTM 拼接。关键参数有三个NumHiddenUnits、OutputMode和InputSize。OutputModelast只输出最后时间步的隐藏状态适合回归到单值预测OutputModesequence保留完整序列输出适合序列到序列任务。网络结构从输入到输出依次是sequenceInputLayer→bilstmLayer→fullyConnectedLayer(1)→regressionLayer。这里不额外加 dropout因为 WOA 搜索时需要快速迭代dropout 会拖慢训练速度且小数据集上收益不确定。layers [ sequenceInputLayer(1) bilstmLayer(50, OutputMode, last) fullyConnectedLayer(1) regressionLayer ];sequenceInputLayer(1)表示每个时间步只有 1 个特征。如果你的数据是多变量改成特征数即可。bilstmLayer(50, ...)中的 50 是隐藏单元数实际运行时参数量是单向 LSTM 的两倍训练时间也近似翻倍这在调参预算里要提前算进去。3.2 WOA 的种群编码与边界处理WOA 中每个个体代表一组 BiLSTM 超参数。常见的编码有三维学习率lr、隐藏单元数numHiddenUnits、批大小miniBatchSize。隐藏单元数和批大小需取整学习率通常用10^a指数缩放。function net buildBiLSTM(x) lr x(1); numHiddenUnits round(x(2)); miniBatchSize round(x(3)); layers [ sequenceInputLayer(1) bilstmLayer(numHiddenUnits, OutputMode, last) fullyConnectedLayer(1) regressionLayer ]; options trainingOptions(adam, ... InitialLearnRate, lr, ... MiniBatchSize, miniBatchSize, ... MaxEpochs, 50, ... Verbose, false); net trainNetwork(XTrainCell, YTrain, layers, options); endtrainNetwork要求输入是 cell 数组YTrain是列向量。这里把网络构建和训练包在一个函数里WOA 每次迭代只需调用buildBiLSTM并传入位置向量。MaxEpochs50是折中值——WOA 种群如果是 10 个个体、30 次迭代就要训练 300 次网络每轮 epoch 太多会耗尽时间预算。3.3 WOA 的包围、气泡网与搜索猎物WOA 的三类位置更新公式分别是包围猎物、气泡网攻击和随机搜索。Matlab 实现的核心是rand和系数向量A、C的计算。a从 2 线性递减到 0A的绝对值决定当前是搜索还是开发。function [positions, bestPos, bestScore] woa(fitnessFunc, dim, lb, ub, SearchAgents, MaxIter) positions rand(SearchAgents, dim) .* (ub - lb) lb; [bestScore, bestIdx] min(arrayfun((i) fitnessFunc(positions(i,:)), 1:SearchAgents)); bestPos positions(bestIdx, :); for t 1:MaxIter a 2 - t * (2 / MaxIter); for i 1:SearchAgents r1 rand; r2 rand; A 2 * a * r1 - a; C 2 * r2; p rand; if p 0.5 if abs(A) 1 D abs(C * bestPos - positions(i,:)); positions(i,:) bestPos - A * D; else randIdx randi(SearchAgents); D abs(C * positions(randIdx,:) - positions(i,:)); positions(i,:) positions(randIdx,:) - A * D; end else D abs(bestPos - positions(i,:)); positions(i,:) D .* exp(1) .* cos(2 * pi * rand()) bestPos; end positions(i,:) max(min(positions(i,:), ub), lb); end scores arrayfun((i) fitnessFunc(positions(i,:)), 1:SearchAgents); [minScore, minIdx] min(scores); if minScore bestScore bestScore minScore; bestPos positions(minIdx, :); end end end参数说明dim3对应当前编码维度lb和ub是三维向量学习率的范围一般设为[1e-4, 1e-2]隐藏单元数[10, 100]批大小[16, 128]。WOA 默认是用连续值更新边界裁剪在每次更新后执行防止越界导致trainNetwork报错。这里的exp(1)是气泡网更新中的常数与 WOA 原文的b1对应。4. 迭代寻优与训练预测4.1 损失函数与搜索策略的选择适应度函数是 WOA 的指挥棒。时间序列回归常见选择是测试集 RMSE 或 MAPE。用验证集 RMSE 作为适应度避免了以训练集误差为目标的过拟合反馈。注意每次 WOA 评估都要完整训练一次 BiLSTM代价不低。如果数据集规模大建议把MaxEpochs降到 30或者用早停机制。fitnessFunc (x) evaluateRMSE(x, XTrain, YTrain, XVal, YVal);其中evaluateRMSE内部调用buildBiLSTM训练模型然后对验证集做预测。这里要防止一个问题trainNetwork每次初始化的随机权重不一样即使同一组超参数两次评估得分也有波动。WOA 的搜索机制会放大这种噪声常见的缓解做法是固定随机种子rng(42)或者在每次评估时训练多次取平均。4.2 训练过程与预测还原得到bestPos之后用该组超参数重新训练最终模型并对测试集做预测。预测时mapminmax(reverse, ...)调用前要确保用训练集的ps结构。finalNet buildBiLSTM(bestPos); YPredNorm predict(finalNet, XTest, MiniBatchSize, 32); YPred mapminmax(reverse, YPredNorm, ps); YTestReal mapminmax(reverse, YTest, ps);MiniBatchSize是predict的选项不设置时取训练时的默认值。预测结果YPredNorm的维度可能是(numObservations, numResponses)或(numTimeSteps, numObservations)的转置形式取决于OutputMode和输入是 cell 还是数值数组建议用size(YPredNorm)打印确认再反归一化。reverse函数要求输入行向量第二行代码里有两个转置逻辑是YPredNorm若是列向量转成行向量传给mapminmax输出再转回列向量。4.3 多迭代轮的稳定性检查跑完一轮 WOA 后只拿bestScore评估并不可靠。很多实践者用「多轮 WOA 取结果对比」来判断是否收敛。常见做法是用不同随机种子跑三轮 WOA比较三组bestPos的差异。如果学习率位置都在 1e-3 附近隐藏单元都在 60~80说明搜索结果是可复现的如果三轮结果差异极大多半是适应度函数噪声太大优先检查数据归一化与训练集划分是否一致。5. 从单步到多步决策级扩展与模型诊断5.1 多步预测的两种范式单步预测跑通后业务上往往需要未来 12 小时或 7 天的值。常见做法有两种递归多步预测和直接多步预测。递归方式把上一步的预测值作为下一步的输入误差会累积适合短期延伸直接方式则为每个预测步训练一个模型参数多但误差被隔离。中间路线是 seq2seq用编码器 BiLSTM 读入历史窗口解码器输出多步预测向量。Matlab 的dlnetwork支持自定义训练循环做 seq2seq 时自由度更高。5.2 评估指标与误差回检多步预测不能只看单步 RMSE。分步位查看 MAPE 的衰减趋势是判断模型边界的好方法如果第 5 步的误差比第 1 步翻了一倍说明模型对长程依赖特征的提取不足这时应增大numHiddenUnits而非加深层数。另一种方式是计算预测误差的自相关系数若误差在滞后 1 处存在明显相关说明时序信息仍有残留可以尝试把输入窗口加长。指标公式适用场景RMSEsqrt(mean((y - yhat).^2))量纲敏感配合业务单位解读MAPEmean(abs((y - yhat)./y)) * 100适合无零值、等比重业务R21 - SSres / SStot比较不同特征的模型时更直观5.3 WOA 参数与训练成本的权衡WOA 有三组参数直接影响开销SearchAgents控制并行评估的粒度MaxIter控制搜索预算。建议从SearchAgents6, MaxIter20起步跑通后再逐步加到10×30。批大小miniBatchSize对收敛速度的影响比学习率直接批大小翻倍训练时间近似减半但梯度噪声增大学习率过大容易在训练后期震荡过小则迭代不足。另外Matlab 的并行计算工具箱可以并行评估种群适应度用parfor代替for就能让多个个体同时训练网络代码改动只有一行但提速效果显著。5.4 工程化输出建议最终交付时把归一化参数ps、WOA 最优位置bestPos、模型结构信息一起保存到.mat文件中便于后续加载。同时打印每个测试点的预测值与真实值到 CSV方便与基线模型对比。若用codex之类的代码辅助工具处理 Matlab 脚本注意需要显式指定trainNetwork是否在循环内调用IDE 自动补全有时会隐藏模型变量被重复赋值的问题。本文还有配套的精品资源点击获取
WOA-BiLSTM时间序列预测：超参数自动优化与Matlab实现
简介面向时间序列预测需求提供Matlab实现的鲸鱼算法优化双向长短期记忆网络WOA-BiLSTM完整程序适合正在研究时序预测或需要构建深度学习预测模型的学生、科研人员与工程师可应用于电力负荷、交通流量、气象要素等典型随时间变化数据的回归预测场景。压缩包共10个文件以5个功能明确的m源程序为核心分别承担数据读取、预处理、WOA优化、BiLSTM训练及性能评估等任务另附4个png预测结果图和1个xlsx示例数据文件整体仅135KB结构精炼适合快速理解与二次开发。已有471人学习下载。程序自动优化学习率、隐藏层节点数和正则化参数用户可直接运行主程序复现完整预测流程得到预测曲线与误差对比图并可通过xlsx文件替换为自身业务数据便于在真实场景中验证WOA-BiLSTM的优化效果代码结构清晰注释到位适合教学演示与论文实验参考。1. WOA-BiLSTM核心机制与建模路径时间序列预测里LSTM 的隐藏层维度、学习率、批大小这些超参数直接决定拟合上限。手动试凑耗时网格搜索在高维参数空间里几乎不可行。鲸鱼算法WOA是一种模拟座头鲸气泡网捕食的元启发式算法用种群迭代逼近目标函数的极值天然适合给 BiLSTM 当超参数搜索器。BiLSTM 在普通 LSTM 基础上增加反向时序传播能同时读取历史与未来上下文对负荷、流量、股价这类前后关联强的序列更友好。本文面向的是已经跑通单步 LSTM、想换 BiLSTM 并引入自动调参的工程人员重点讲清楚 WOA 与 BiLSTM 的接口设计以及从数据到预测曲线的完整闭环。2. 数据预处理与数据集划分2.1 读入与归一化时间序列预测的第一步不是搭网络而是把数据整理成监督学习格式。假设你有 1000 个时间步的单变量序列data要预测未来 1 步需要构造X: (样本数, 特征数, 序列长度)与Y: (样本数, 输出维度)。Matlab 的lstmLayer默认接收不同格式看你是用trainNetwork还是dlnetwork。传统做法常用 cell 数组每个样本是一个numFeatures × numTimeSteps的矩阵。自分倾向于dlnetwork路线因为后面要接 WOA 的循环迭代每次都要重建网络或更新参数dlnetwork更适合程序化操作。读入 CSV 后先做归一化常见做法是 mapminmax 或 zscore。对时间序列推荐用 mapminmax 把数据压到 [-1,1]因为 BiLSTM 默认激活函数是 tanh输入落在这个区间能缓解梯度问题。data readmatrix(series.csv); data data(:); dataNorm mapminmax(data, -1, 1); dataNorm dataNorm;mapminmax的输出是行向量所以读入后转置两次保持列向量结构。注意readmatrix在 Matlab R2023a 之后对混合类型支持更好如果你用的版本较老建议改用csvread或load看数据格式。归一化参数ps保存下来预测结束后要用mapminmax(reverse, ...)还原不要只保存归一化后的数据。2.2 构造训练集与测试集监督学习格式的滑窗构造核心是lag值。预测步长futureSteps1则样本X{i}是1 × lag的向量Y(i)是滞后一步的真值。注意要避免数据泄露测试集的归一化参数必须来自训练集不能对全序列统一归一化。滑动窗口构造用循环即可数据量到十万级时再考虑buffer函数加速。function [X, Y, ps] createSlidingWindow(data, lag, trainRatio) [dataNorm, ps] mapminmax(data, -1, 1); dataNorm dataNorm; numSamples length(dataNorm) - lag; X cell(numSamples, 1); Y zeros(numSamples, 1); for i 1:numSamples X{i} dataNorm(i : i lag - 1); Y(i) dataNorm(i lag); end trainNum round(numSamples * trainRatio); XTrain X(1:trainNum); YTrain Y(1:trainNum); XTest X(trainNum1:end); YTest Y(trainNum1:end); end代码里X{i}是lag×1的列向量对应sequenceInputLayer的InputSizelag。trainRatio0.8表示前 80% 的样本训练后 20% 测试。注意这里的时间顺序没有打乱乱序会破坏序列依赖。参数推荐值说明lag24周期序列取一个周期长度日数据取 7/30trainRatio0.8验证集可从训练集尾部切 10%futureSteps1单步预测多步见第 5 章3. 构建BiLSTM网络与WOA参数绑定3.1 BiLSTM 层配置BiLSTM 在 Matlab 中以bilstmLayer形式提供底层是两个方向的 LSTM 拼接。关键参数有三个NumHiddenUnits、OutputMode和InputSize。OutputModelast只输出最后时间步的隐藏状态适合回归到单值预测OutputModesequence保留完整序列输出适合序列到序列任务。网络结构从输入到输出依次是sequenceInputLayer→bilstmLayer→fullyConnectedLayer(1)→regressionLayer。这里不额外加 dropout因为 WOA 搜索时需要快速迭代dropout 会拖慢训练速度且小数据集上收益不确定。layers [ sequenceInputLayer(1) bilstmLayer(50, OutputMode, last) fullyConnectedLayer(1) regressionLayer ];sequenceInputLayer(1)表示每个时间步只有 1 个特征。如果你的数据是多变量改成特征数即可。bilstmLayer(50, ...)中的 50 是隐藏单元数实际运行时参数量是单向 LSTM 的两倍训练时间也近似翻倍这在调参预算里要提前算进去。3.2 WOA 的种群编码与边界处理WOA 中每个个体代表一组 BiLSTM 超参数。常见的编码有三维学习率lr、隐藏单元数numHiddenUnits、批大小miniBatchSize。隐藏单元数和批大小需取整学习率通常用10^a指数缩放。function net buildBiLSTM(x) lr x(1); numHiddenUnits round(x(2)); miniBatchSize round(x(3)); layers [ sequenceInputLayer(1) bilstmLayer(numHiddenUnits, OutputMode, last) fullyConnectedLayer(1) regressionLayer ]; options trainingOptions(adam, ... InitialLearnRate, lr, ... MiniBatchSize, miniBatchSize, ... MaxEpochs, 50, ... Verbose, false); net trainNetwork(XTrainCell, YTrain, layers, options); endtrainNetwork要求输入是 cell 数组YTrain是列向量。这里把网络构建和训练包在一个函数里WOA 每次迭代只需调用buildBiLSTM并传入位置向量。MaxEpochs50是折中值——WOA 种群如果是 10 个个体、30 次迭代就要训练 300 次网络每轮 epoch 太多会耗尽时间预算。3.3 WOA 的包围、气泡网与搜索猎物WOA 的三类位置更新公式分别是包围猎物、气泡网攻击和随机搜索。Matlab 实现的核心是rand和系数向量A、C的计算。a从 2 线性递减到 0A的绝对值决定当前是搜索还是开发。function [positions, bestPos, bestScore] woa(fitnessFunc, dim, lb, ub, SearchAgents, MaxIter) positions rand(SearchAgents, dim) .* (ub - lb) lb; [bestScore, bestIdx] min(arrayfun((i) fitnessFunc(positions(i,:)), 1:SearchAgents)); bestPos positions(bestIdx, :); for t 1:MaxIter a 2 - t * (2 / MaxIter); for i 1:SearchAgents r1 rand; r2 rand; A 2 * a * r1 - a; C 2 * r2; p rand; if p 0.5 if abs(A) 1 D abs(C * bestPos - positions(i,:)); positions(i,:) bestPos - A * D; else randIdx randi(SearchAgents); D abs(C * positions(randIdx,:) - positions(i,:)); positions(i,:) positions(randIdx,:) - A * D; end else D abs(bestPos - positions(i,:)); positions(i,:) D .* exp(1) .* cos(2 * pi * rand()) bestPos; end positions(i,:) max(min(positions(i,:), ub), lb); end scores arrayfun((i) fitnessFunc(positions(i,:)), 1:SearchAgents); [minScore, minIdx] min(scores); if minScore bestScore bestScore minScore; bestPos positions(minIdx, :); end end end参数说明dim3对应当前编码维度lb和ub是三维向量学习率的范围一般设为[1e-4, 1e-2]隐藏单元数[10, 100]批大小[16, 128]。WOA 默认是用连续值更新边界裁剪在每次更新后执行防止越界导致trainNetwork报错。这里的exp(1)是气泡网更新中的常数与 WOA 原文的b1对应。4. 迭代寻优与训练预测4.1 损失函数与搜索策略的选择适应度函数是 WOA 的指挥棒。时间序列回归常见选择是测试集 RMSE 或 MAPE。用验证集 RMSE 作为适应度避免了以训练集误差为目标的过拟合反馈。注意每次 WOA 评估都要完整训练一次 BiLSTM代价不低。如果数据集规模大建议把MaxEpochs降到 30或者用早停机制。fitnessFunc (x) evaluateRMSE(x, XTrain, YTrain, XVal, YVal);其中evaluateRMSE内部调用buildBiLSTM训练模型然后对验证集做预测。这里要防止一个问题trainNetwork每次初始化的随机权重不一样即使同一组超参数两次评估得分也有波动。WOA 的搜索机制会放大这种噪声常见的缓解做法是固定随机种子rng(42)或者在每次评估时训练多次取平均。4.2 训练过程与预测还原得到bestPos之后用该组超参数重新训练最终模型并对测试集做预测。预测时mapminmax(reverse, ...)调用前要确保用训练集的ps结构。finalNet buildBiLSTM(bestPos); YPredNorm predict(finalNet, XTest, MiniBatchSize, 32); YPred mapminmax(reverse, YPredNorm, ps); YTestReal mapminmax(reverse, YTest, ps);MiniBatchSize是predict的选项不设置时取训练时的默认值。预测结果YPredNorm的维度可能是(numObservations, numResponses)或(numTimeSteps, numObservations)的转置形式取决于OutputMode和输入是 cell 还是数值数组建议用size(YPredNorm)打印确认再反归一化。reverse函数要求输入行向量第二行代码里有两个转置逻辑是YPredNorm若是列向量转成行向量传给mapminmax输出再转回列向量。4.3 多迭代轮的稳定性检查跑完一轮 WOA 后只拿bestScore评估并不可靠。很多实践者用「多轮 WOA 取结果对比」来判断是否收敛。常见做法是用不同随机种子跑三轮 WOA比较三组bestPos的差异。如果学习率位置都在 1e-3 附近隐藏单元都在 60~80说明搜索结果是可复现的如果三轮结果差异极大多半是适应度函数噪声太大优先检查数据归一化与训练集划分是否一致。5. 从单步到多步决策级扩展与模型诊断5.1 多步预测的两种范式单步预测跑通后业务上往往需要未来 12 小时或 7 天的值。常见做法有两种递归多步预测和直接多步预测。递归方式把上一步的预测值作为下一步的输入误差会累积适合短期延伸直接方式则为每个预测步训练一个模型参数多但误差被隔离。中间路线是 seq2seq用编码器 BiLSTM 读入历史窗口解码器输出多步预测向量。Matlab 的dlnetwork支持自定义训练循环做 seq2seq 时自由度更高。5.2 评估指标与误差回检多步预测不能只看单步 RMSE。分步位查看 MAPE 的衰减趋势是判断模型边界的好方法如果第 5 步的误差比第 1 步翻了一倍说明模型对长程依赖特征的提取不足这时应增大numHiddenUnits而非加深层数。另一种方式是计算预测误差的自相关系数若误差在滞后 1 处存在明显相关说明时序信息仍有残留可以尝试把输入窗口加长。指标公式适用场景RMSEsqrt(mean((y - yhat).^2))量纲敏感配合业务单位解读MAPEmean(abs((y - yhat)./y)) * 100适合无零值、等比重业务R21 - SSres / SStot比较不同特征的模型时更直观5.3 WOA 参数与训练成本的权衡WOA 有三组参数直接影响开销SearchAgents控制并行评估的粒度MaxIter控制搜索预算。建议从SearchAgents6, MaxIter20起步跑通后再逐步加到10×30。批大小miniBatchSize对收敛速度的影响比学习率直接批大小翻倍训练时间近似减半但梯度噪声增大学习率过大容易在训练后期震荡过小则迭代不足。另外Matlab 的并行计算工具箱可以并行评估种群适应度用parfor代替for就能让多个个体同时训练网络代码改动只有一行但提速效果显著。5.4 工程化输出建议最终交付时把归一化参数ps、WOA 最优位置bestPos、模型结构信息一起保存到.mat文件中便于后续加载。同时打印每个测试点的预测值与真实值到 CSV方便与基线模型对比。若用codex之类的代码辅助工具处理 Matlab 脚本注意需要显式指定trainNetwork是否在循环内调用IDE 自动补全有时会隐藏模型变量被重复赋值的问题。本文还有配套的精品资源点击获取