文献类型： 中文期刊

作者： 洪永强 ¹ ; 谢永和 ¹ ; 刘鲁强 ² ; 董韶光 ² ; 李德堂 ¹ ; 王云杰 ³ ; 姜旭阳 ⁴ ; 张佳奇 ⁵ ; 王君 ⁵ ; 高炜鹏 ⁵ ; 陈卿 ¹ ;

作者机构： 1.浙江海洋大学船舶与海运学院

2.青岛国信发展(集团)有限公司

3.中国水产科学研究院渔业机械仪器研究所

4.国信中船(青岛)海洋科技有限公司

5.浙江海洋大学海洋工程装备学院

关键词： 养殖工船;水质参数;长短时记忆网络;麻雀搜索算法;溶解氧预测

期刊名称： 南方水产科学

ISSN：

年卷期： 2024 年 001 期

页码： 62-73

收录情况： 北大核心 ; CSCD

摘要： 为了准确预测水质参数中的溶氧量，采用长短时记忆网络（Long Short-Term Memory, LSTM）模型，提出一种增强型麻雀搜索算法（Enhance Sparrow Search Algorithm, ESSA）以改进预测率的精确性。该算法引入了Circle混沌映射进行种群初始化，并结合正弦余弦算法和Levy飞行策略分别对侦察者、跟踪者的位置进行更新，以促使麻雀个体能够快速跳出局部最优解。首先将ESSA与多种其他算法进行多形态基准函数对比测试，结果表明该算法在多个基准函数上展现出出色的性能和鲁棒性；随后将其应用于LSTM模型参数寻优，并与其他优化算法进行比较，结果显示基于ESSALSTM模型的预测率达到99.071%，相较于基本麻雀搜索算法（Sparrow Search Algorithm, SSA）、灰狼优化算法（Grey Wolf Optimizer, GWO）、海洋捕食算法（Marine Predators Algorithm, MPA）、鲸鱼算法（Whale Optimization Algorithm, WOA）分别提升了2.142%、6.653%、6.682%、7.714%。研究表明，使用ESSA显著提高了溶解氧预测率，并有效减少了参数设置的盲目性和时间成本。