本文提出了一种融合增强型获取-共享知识优化算法(eGSK)与LSTM网络的时间序列预测模型(eGSK-LSTM)。该模型通过改进的eGSK算法自动优化LSTM网络层数，解决了传统LSTM层数选择依赖经验的问题。eGSK算法采用知识获取与共享机制，在离散搜索空间高效寻找最优网络结构，结合LSTM强大的时序特征提取能力，实现高精度预测。文中详细介绍了算法原理、程序实现及参数设置，包括边界约束、掩码生成

摘要：本文提出了一种基于蝎子捕猎策略(SHS)优化的LSTM网络层数选择方法(SHS-LSTM)，用于一维时间序列预测。该方法通过三个阶段的智能优化：全局感知探索筛选候选层数，局部潜伏利用验证最优层数，最后进行突袭反馈的泛化验证。实验采用MATLAB 2022A/2024B实现，包含网络训练参数设置、预测执行和结果反归一化等核心程序。该方法有效解决了传统LSTM层数选择依赖经验的问题，通过SHS算

本文提出了一种基于秃鹰搜索优化的 LSTM 网络模型（BES-LSTM），通过 BES 算法优化 LSTM 网络的隐含层个数，以提高时间序列预测的准确性和稳定性。实验结果表明，BES-LSTM 模型在日平均气温预测任务中表现出优异的性能，其预测误差明显小于传统 LSTM 模型。

摘要：本文提出了一种基于跳蛛优化算法(JSOA)的LSTM神经网络超参数优化方法。程序使用MATLAB实现，通过模拟跳蛛捕食行为（攻击、追击、跳跃）和搜索策略（全局/局部搜索），以预测误差为适应度函数，自动优化LSTM隐含层神经元数量（5-40范围）。算法结合信息素更新机制和边界处理，有效避免局部最优。实验在MATLAB2022A/2024B环境下运行，包含网络结构定义、训练参数设置、预测及结果反

本文提出一种基于鹈鹕优化算法(POA)的LSTM网络超参数优化方法。该方法通过POA算法自适应搜索LSTM隐含层最优神经元数量，以最小化时间序列预测误差。程序采用MATLAB实现，包含数据预处理、POA优化、LSTM训练和预测等模块。POA算法分为两个阶段：1)全局与局部结合的俯冲捕食搜索，通过动态调整搜索步长和适应度比例实现高效优化；2)群体协作的弱解替换机制，动态更新种群以保持多样性。实验结果

摘要：本文提出一种基于山羚羊优化算法(MGO)的LSTM超参数优化方法，用于时间序列预测。该方法利用MGO自适应搜索LSTM最优隐含层神经元数量，以最小化预测误差。程序在MATLAB2022A/2024B中实现，包含数据预处理、MGO优化、LSTM训练与预测等模块。MGO-LSTM模型通过模拟山羚羊群体智能行为进行全局寻优，克服传统方法的局部最优问题。实验结果显示，该方法能有效提升LSTM预测精度

摘要：本文提出了一种基于蘑菇繁殖优化算法(MRO)的LSTM超参数优化方法。该方法通过MRO自适应搜索LSTM隐含层最优神经元数量(5-40区间)，以最小化时间序列预测误差。算法流程包括：1)初始化MRO参数和种群；2)通过局部发育和全局迭代进行寻优；3)确定最优参数并构建LSTM网络。程序采用MATLAB实现，包含网络定义、训练参数设置和预测结果处理等模块。实验结果表明，该方法能有效优化LSTM

摘要：本文提出一种改进麻雀搜索算法(ASFSSA)优化LSTM网络的时间序列预测模型。ASFSSA通过动态权重、Levy飞行等策略优化LSTM隐含层神经元数量，以预测误差作为适应度函数。实验在MATLAB 2022A/2024B平台完成，采用Adam优化器训练LSTM网络，设置初始学习率0.004、L2正则化0.01等参数。结果显示该方法能有效解决LSTM超参数调优问题，提高预测精度。程序包含AS

摘要：本文提出了一种CSA-LSTM时间序列预测模型，通过卷尾猴优化算法(CSA)自动优化LSTM网络的隐藏层神经元数量。该模型解决了传统LSTM超参数依赖经验设定的问题，采用CSA算法在预设范围内搜索最优神经元数量，以最小化预测误差为目标。文章详细阐述了CSA算法的速度更新、位置更新等核心原理，以及LSTM网络的门控机制。程序实现方面展示了MATLAB环境下参数设置、网络训练和预测流程，包括归一

摘要：本文提出一种WOA-LSTM混合算法，通过鲸鱼优化算法(WOA)自动优化LSTM网络的隐藏层神经元数量，解决传统LSTM超参数需经验设定的问题。算法将神经元数量作为WOA的搜索变量，以预测均方误差为适应度函数，实现一维时间序列的高精度预测。程序在MATLAB环境下实现，包含数据预处理、WOA优化、LSTM训练和预测等模块，支持GPU加速训练。实验结果表明，该方法能有效提升预测精度，适用于连续