适用平台：Matlab2023版及以上

SMA 黏菌优化算法，于2020年发表在SCI的1区Top期刊《Future Generation Computer Systems》上。

利用该计算机1区Top算法对对我们的CNN-BiGRU-Attention时序和空间特征结合-融合注意力机制的回归预测程序代码中的超参数如：卷积核大小、BiGRU单元个数、学习率等进行优化。

黏菌算法SMA的创新点：

模拟生物行为：

SMA模拟了黏菌在寻找食物时的行为，将生物的智能行为引入优化算法。这种生物行为模拟的方式可以使算法更适应复杂和动态的问题领域。

自适应性和灵活性：

SMA具有自适应性和灵活性，能够根据环境的变化调整搜索策略。算法可以动态地调整离开当前位置的概率、搜索模式和资源利用策略，使其更适应不同的问题和环境。

多源信息融合：

SMA通过模拟黏菌对多个食物来源的利用，引入了多源信息融合的思想。黏菌能够同时利用多个资源，这使得算法更具鲁棒性，能够更好地处理多目标优化和多模态问题。

动态搜索模式调整：

SMA根据食物来源的质量动态调整搜索模式，类似于黏菌在高质量食物区域采用更集中的搜索方法，而在低质量食物区域进行更广泛的探索。这种动态搜索模式调整可以提高算法在不同问题场景中的适应性。

全局-局部搜索融合：

SMA在算法中融合了全局和局部搜索策略，类似于黏菌在高质量食物区域进行局部集中搜索，而在整体区域进行全局探索。这种全局-局部搜索融合使得算法更有可能跳出局部最优解，同时能够更精细地搜索潜在的最优解。

综上，SMA通过模拟黏菌的智能行为，引入了生物启发的优化思想，使得算法在解决复杂问题时更具有自适应性、灵活性和多样性。这些特点使得SMA在一些问题领域表现出色，相较于传统的优化算法，更能有效地搜索问题的解空间。

CNN-BiGRU-Attention模型的创新性：

①结合卷积神经网络 (CNN) 和双向门控循环单元 (BiGRU):CNN 用于处理多变量时间序列的多通道输入，能够有效地捕捉输入特征之间的空间关系。BiGRU 是一种能够捕捉序列中长距离依赖关系的递归神经网络。通过双向性，BiGRU 可以同时考虑过去和未来的信息，提高了模型对时间序列动态变化的感知能力。

②引入自注意力机制 (Self-Attention): Self-Attention 机制使得模型能够更灵活地对不同时间步的输入信息进行加权。这有助于模型更加集中地关注对预测目标有更大影响的时间点。

自注意力机制还有助于处理时间序列中长期依赖关系，提高了模型在预测时对输入序列的全局信息的感知。

优化套用：基于黏菌优化算法（SMA）、卷积神经网络（CNN）和双向门控循环单元 (BiGRU)融合注意力机制的超前24步多变量时间序列回归预测算法。

功能：

1、多变量特征输入，单序列变量输出，输入前一天的特征，实现后一天的预测，超前24步预测。

2、通过SMA优化算法优化学习率、卷积核大小、神经元个数，这3个关键参数，以最小MAPE为目标函数。

3、提供损失、RMSE迭代变化极坐标图；网络的特征可视化图；测试对比图；适应度曲线（若首轮精度最高，则适应度曲线为水平直线）。

4、提供MAPE、RMSE、MAE等计算结果展示。

适用领域：风速预测、光伏功率预测、发电功率预测、碳价预测等多种应用。

预测值与实际值对比：

训练特征可视化：

训练曲线的极坐标形式（误差由内到外越来越接近0）

适应度曲线：