本研究提出了一种改进的GA-Elman神经网络算法，结合遗传算法与Elman网络优势，旨在提高复杂时间序列预测模型的性能和稳定性。
Elman神经网络因其出色的动态特性和强大的全局稳定性，在处理非线性、动态及复杂数据方面被广泛应用。然而，作为反向传播（BP）神经网络的改进版本，Elman模型不可避免地会继承一些固有的缺陷，这可能会影响识别精度和操作效率。尽管已经提出了多种方法来解决这些问题，但在存储空间、算法效率以及识别精度等特征之间找到平衡点仍然极具挑战性，并且很难从临时解决方案中获得持久性的优化效果。
为了解决上述问题，可以将遗传算法（GA）引入Elman模型以优化连接权重和阈值。这不仅可以防止神经网络陷入局部最优解，还能提高训练速度与成功率。同时，也可以利用遗传算法来调整隐藏层结构，解决确定最佳神经元数量的难题。以往的研究大多倾向于单独优化连接权重或网络架构，这种做法略显不足。
我们在此提出了一种新的GA-Elman神经网络优化方法，在该方法中采用实数编码形式处理连接权重，并将隐藏层也以实数方式表示，但引入了二进制控制基因来增加灵活性。通过这种方式，我们的新算法能够同时利用混合编码和进化策略对连接权重及隐藏单元数量进行协同优化，从而显著提升整体性能。
实验结果显示，在所有计算指标上，该新型GA-Elman算法均表现出优越性。
5星
