PSO粒子群优化-LSTM-优化神经网络神经元个数dropout和batch_size 1、摘要 本文主要讲解：目标为对沪深300价格进行预测 主要思路： PSO Parameters ：粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值 LSTM Parameters 神经网络第一层神经元个数、神经网络第二层神经元个数、dropout比率、batch_size 开始搜索：初始粒子适应度计算、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新个体最优、更新全局最优、全局最优参数 训练模型，使用PSO找到的最好的全局最优参数 plt.show() 2、数据介绍 [‘SP’, ‘High’, ‘Low’, ‘KP’, ‘QSP’, ‘ZDE’, ‘ZDF’, ‘CJL’] 3、相关技术 PSO好的地方就是论文多，好写引用文献 不过说实话，算法优化我并不推荐用PSO，虽然说PSO的论文多