综述：混合鲸优化算法与长短期记忆的全面研究：应用、改进及未来展望

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：A Comprehensive Survey of Hybrid Whale Optimization Algorithm with Long-Short Term Memory: Applications, Improvements, and Future Perspective

本文系统综述了鲸鱼优化算法（WOA）与长短期记忆网络（LSTM）的融合应用，分析2020-2025年116篇论文发现2024年发文量居首（Springer 29%、Elsevier 27%），主要应用于时间序列预测与工程系统设计，探讨模型优化挑战及未来方向。

　　

摘要

本文系统地回顾了鲸鱼优化算法（WOA）与长短期记忆网络（LSTM）相结合的应用。WOA算法作为一种高效且稳健的元启发式算法，与LSTM网络结合使用，用于建模时间依赖性并提取序列特征，以解决优化和预测问题。本文基于2020年至2025年4月期间来自8家知名出版社的116篇论文，分析和总结了WOA-LSTM模型的改进之处。在方法论部分，介绍了根据论文发表年份和出版社对论文进行收集、分析和分类的过程。研究结果显示，2024年发表的论文数量最多，其中Springer和Elsevier分别占了29%和27%的论文比例。本文为致力于探索元启发式算法与深度网络（尤其是LSTM）结合在解决复杂实际问题中潜力的研究人员和实践者提供了连贯而深入的视角。研究结果表明，时间序列预测和工程系统设计是应用最广泛的领域。同时，本文还讨论了设计、实现和优化WOA-LSTM混合模型所面临的挑战，并提出了该领域的未来研究方向，重点在于提升性能和增强可扩展性。