随着全球经济逐渐复苏和物联网的快速发展,计算机网络技术迎来了日新月异的高速进步,经济体中可供收集的信息呈现爆炸性增长,汹涌澎湃的大数据浪潮正迎面袭来。因此,如何通过优化算法挖掘海量数据中的有用信息,进而对数据进行准确预测以提升产业效率和增加经济收益,这正是众多研究者所关注和追求的。基于优化算法的时间序列预测是从预测指标的时间序列中找出演变模式或内在关联,然后对指标的未来发展趋势做出定量估计。准确有效的提前预测,不仅有助于合理安排生活生产计划,有效解决资源分布等实际问题,还有助于管理者做出正确决策,制定可持续发展计划政策,提高整个社会的经济效益。近年来,国内外学者进行了大量混合预测方法的相关研究。基于传统群智能优化的方法虽简单且易实施,但却很难精确刻画数据的非线性特征,不能获得令人满意的预测精度。基于人工神经网络的预测方法,学习能力强且计算速度快,解决了很多传统统计方法难以处理的问题。然而,人工神经网络容易出现过拟合现象并且单个预测模型稳定性较差,使得这一方法在时间序列预测中具有一定的局限性。相比之下,将不同的预测方法有机融合后构成的组合预测方法,不仅综合了各种单一预测方法的优势,而且显著提高了整个模型的预测精度,其效果往往优于单一的预测模型。但是,群智能优化策略与预测模型之间的结合一直是一个困难且具有挑战性的问题。随着实际问题趋于复杂化和规模化,基于严格数学原理的传统优化方法在实施预测时显得无能为力。本文在人工智能的框架内,将鲸鱼自治体引入到优化问题中,发展了一种混合优化问题与预测模型的新模式:人工鲸鱼模式,并由此产生了一种高效的智能优化算法:人工鲸鱼优化算法。与此同时,本文给出人工鲸鱼算法在多目标寻优与局部连接神经网络训练中的两个应用实例;最后,本文讨论了人工鲸鱼的行为模式和人工鲸鱼算法的发展方向。本文的主要贡献如下:第一,本文给出了人工鲸鱼优化算法的原理和详细描述,并分析了算法收敛性能以及算法中各参数对收敛性的影响;在理论基础上,本文描述了针对人工鲸鱼优化算法的距离、邻域和视觉等概念,并在人工自治体概念的基础上对原有概念进行了发展和改进,随后本文将算法应用在组合优化问题中,实验结果证明了经过改进的算法的有效性。此外,本文利用于分解协调思想的人工鲸鱼算法解决了针对大规模系统的优化问题。第二,本文提出一种混合优化算法与基于神经网络的时间序列预测模型的策略。本文基于部分连接神经网络构建了一个可以应用并行计算的混合预测模型,本文给出了新型混合模型的理论描述与算法伪代码,并探讨了新模型结构上的优越性。第三,在新混合策略的基础上,本文发展了四种训练算法并且设置了四种新的混合模型,来研究预测模型与拟合模型之间的平衡性。我们将不同的训练算法应用在基于深度学习方法的部分连接神经网络中,通过考察模型在时间序列问题上的表现来评估模型的价值;于此同时,本文发展了MSI指标来度量模型的稳定性,实验结果表明,通过结合人工鲸鱼算法与传统算法的方式构造出的预测模型具有很好的稳定性和良好的预测精度。第四,本文的另一个主要贡献是探讨了对于部分连接神经网络,特征学习的效果是如何反应在时间序列预测精度上,并对模型稳定性的进一步影响。本文通过引入“池化”策略与“高速公路大门”方法,基于对比实验来探讨适用于预测问题的最优特征学习策略。结合上述发展的人工鲸鱼算法,本文给出了一种可用于混合模型的具有高效率的特征学习策略。第五,特别地,在风能与金融拆借领域,预测模型的稳定性扮演着重要的角色,因为在这些领域预测模型的稳定性和精度既决定经济效益,又影响社会稳定。实证结果表明本提出的模型不仅具有良好的预测精度,也拥有可靠的稳定性,能够用于解决风能与金融拆借领域中的预测问题。