PSO-CNN回归预测：用粒子群算法自动优化CNN超参数

简介：基于粒子群算法优化卷积神经网络（PSO-CNN）的Matlab完整源码，面向多变量输入的回归预测任务，支持多输入单输出结构，适合需要自动确定CNN超参数的科研与工程人员，也可用于能源、经济、环境等领域的建模学习。代码对学习率、批大小和正则化系数执行粒子群寻优，并输出R2、MAE、MSE、RMSE、MAPE等评价指标，能够全面衡量模型精度；示例中MAE为1.5424、R²为0.91858，体现了良好的回归效果，避免了人工反复调参的盲目性。压缩包共含5个文件，其中4个.m脚本分别承担主程序、初始化、粒子群优化与误差计算等任务，另附1个xlsx数据集，方便直接替换为自己的多变量输入；整体大小仅17KB，代码结构清晰、注释完整，运行轻量，数据集格式示例清晰。资源已有1268人学习下载，读者可先使用自带数据集复现结果，再按相同格式替换为业务数据，完成从数据读取、超参数寻优到误差评估的完整回归建模流程，迁移成本低，非常适合课程设计、论文实验和工程预研。

1. 粒子群算法和卷积神经网络搭伙：PSO-CNN回归预测到底解决什么问题

做多变量输入回归预测时，最折腾人的往往不是模型选型，而是卷积神经网络的超参数——卷积核数量设多少、学习率给多大、全连接层放几个节点。手动试错跑一轮少说几分钟，多则几十分钟，调上一天也不见得收敛到好结果。粒子群算法优化卷积神经网络（PSO-CNN）就是干这个的：用粒子群算法自动搜索CNN的超参数组合，把“人肉调参”变成“种群迭代寻优”，最终拿最优参数再做回归预测。这套方案在Matlab里落地不算复杂，完整源码拆开看，核心只有四块：多变量数据预处理、PSO寻优循环、CNN构建训练、结果回读评估。适合手里有多维特征、要预测连续值、又被调参逼疯的工程师和学生。

2. 把粒子群和CNN捏在一起的原理：搜索空间、编码方式与适应度闭环

2.1 CNN做回归预测的输入输出结构：从图像分类到连续值输出的转场

绝大多数人接触CNN是从图像分类开始的，输入是H×W×C的图片，输出是softmax概率向量。但回归预测里CNN的形态完全不一样：输入是多变量样本，输出是单个连续值。

多变量输入的常见组织方式有两种。第一种是sequence输入，把每个样本组织成“特征数×时间步数”的矩阵，用sequenceInputLayer接收，适合有先后依赖关系的传感器数据、金融时序、工业过程数据。第二种是image输入，把样本当作单通道“图像”，用imageInputLayer接收，适合特征之间本身有空间排列关系的情况。回归预测里绝大多数场景走第一种，因为它尊重特征的物理含义。

输出侧则把最后的全连接层节点数设为1，接一个regressionLayer。中间夹卷积层和池化层的作用不是提“图像特征”，而是提“变量之间的局部耦合模式”——比如某些传感器组合在一起对目标变量有联合影响，卷积核能在特征维度上抓到这些组合。

2.2 粒子群算法搜什么：CNN超参数编码的三种常见方案

粒子群算法本身不挑问题，它只管“位置”和“速度”。关键在于把CNN超参数编码成一个粒子位置向量。

最直观的方案是直接把关键超参数拼接成一维向量。例如设计一个6维粒子：

[学习率, 卷积核数量1, 卷积核尺寸1, 卷积核数量2, 全连接层节点数, Dropout比例]

每个维度对应一个超参数，PSO在给定的上下界内搜索。这种编码简单、好理解，是Matlab源码里最常见的做法。另一种方案是分层编码：把“网络结构”和“训练超参”分成两组，结构组决定卷积层数、卷积核数量、池化层数；训练组决定学习率、批大小、迭代轮数。分层编码在粒子群更新时按组分别处理，精度高一点但实现复杂。

还有第三种做法，把离散结构参数也映射成连续值再取整。比如卷积核数量搜索范围是[8, 16, 32, 64, 128]，可以编码成5个连续区间上的索引，解码时四舍五入取对应值。PSO更新公式天然处理连续变量，取整操作会在解码阶段完成，不在粒子更新阶段做。

2.3 完整闭环：种群初始化、适应度评估、位置速度更新的三步循环

整个算法闭环可以拆成四个环节：

第一步，初始化。在超参数上下界范围内随机生成N个粒子，每个粒子带一个位置向量和一个速度向量，速度初始一般设为0或很小的随机值。

第二步，适应度评估。这是整个流程里最重的一步：把每个粒子的位置解码成一组CNN超参数，构建网络、训练、然后在验证集上计算回归误差（通常用MSE或MAE）。这个误差就是该粒子的适应度值。误差越小，粒子越优。

第三步，更新个体最优和全局最优。每个粒子记住自己历史最优位置pbest，种群记住全局最优位置gbest。

第四步，速度和位置更新。标准公式是：

v = w * v + c1 * r1 * (pbest - x) + c2 * r2 * (gbest - x) x = x + v

w是惯性权重，控制粒子保持原方向的能力；c1、c2是学习因子，分别控制向自身历史最优和群体最优靠拢的强度。r1、r2是[0,1]之间的随机数，保持搜索多样性。

迭代达到设定次数后，把gbest解码成超参数，重新训练CNN，用测试集做最终回归评估。这个闭环里有一个很容易被忽略的关键点：适应度评估是用验证集误差，不是训练集误差。用训练集误差选超参数必然选中过拟合的结构，这一点在Matlab实现里要卡死。

3. 用Matlab跑通PSO-CNN：主程序、粒子群循环与解码训练代码

3.1 工程文件怎么划分：四种文件各管一摊事

Matlab工程落地不需要一个巨型脚本，拆成几个文件反而容易调试和复用。一套完整的PSO-CNN源码一般包含四个文件：

数据预处理通常放在主脚本里，不单拆文件，因为不同数据集的归一化方式差异大，拆出来反而难维护。

3.2 多变量输入的数据预处理：归一化与样本组织

多变量输入的预处理有两个不能省的步骤：归一化、样本切分。归一化用zscore或mapminmax都行，但切分一定要先于归一化——这点后面避坑章细说。

% 假设 X 是 N×M 矩阵，N个样本，M个特征；Y 是 N×1 目标值 % 第一步：划分训练/验证/测试集，比例 70%/15%/15% rng(42); % 固定随机种子，保证划分可复现 idx = randperm(size(X,1)); trainNum = round(0.7*size(X,1)); valNum = round(0.15*size(X,1)); trainIdx = idx(1:trainNum); valIdx = idx(trainNum+1:trainNum+valNum); testIdx = idx(trainNum+valNum+1:end); X_train = X(trainIdx,:); Y_train = Y(trainIdx,:); X_val = X(valIdx,:); Y_val = Y(valIdx,:); X_test = X(testIdx,:); Y_test = Y(testIdx,:); % 第二步：只用训练集统计量做归一化，验证集/测试集沿用同一套参数 mu_x = mean(X_train); sig_x = std(X_train); X_train_n = (X_train - mu_x) ./ sig_x; X_val_n = (X_val - mu_x) ./ sig_x; X_test_n = (X_test - mu_x) ./ sig_x; % 目标值建议做归一化，预测后反归一化回来 mu_y = mean(Y_train); sig_y = std(Y_train); Y_train_n = (Y_train - mu_y) ./ sig_y; Y_val_n = (Y_val - mu_y) ./ sig_y;

这段代码的关键点有三个：一是rng(42)固定随机种子，否则每次划分的样本组合不同，粒子群评价同一组超参数也会得到不同的适应度，优化过程整个变成随机游走；二是归一化参数只从训练集算，不能让验证集和测试集信息泄漏进来；三是目标值也要归一化，否则CNN回归层在输出尺度大（比如几千上万）时损失值会非常大，训练极不稳定。

3.3 粒子群主循环：初始化、边界处理与收敛曲线记录

PSO主循环是源码的骨架。下面这段代码实现了标准粒子群流程，同时做了边界处理和收敛曲线记录：

function [gbest_pos, gbest_score, converge_curve] = pso_search(...) % PSO主函数：搜索CNN超参数 % 输入：问题维度dim、边界lb/ub、最大迭代次数maxIter等 numParticles = 25; % 种群规模 maxIter = 15; % 迭代次数 w = 0.7; % 惯性权重，可线性递减到0.4 c1 = 1.5; c2 = 1.5; % 个体/社会学习因子 dim = 6; % 超参数维度，与编码一致 lb = [1e-4, 16, 3, 16, 32, 0.1]; % 下界 ub = [1e-2, 128, 7, 128, 256, 0.5];% 上界 % 初始化位置和速度 positions = repmat(lb, numParticles, 1) + ... rand(numParticles, dim) .* repmat(ub - lb, numParticles, 1); velocities = zeros(numParticles, dim); pbest_pos = positions; pbest_score = inf(numParticles, 1); gbest_pos = positions(1,:); gbest_score = inf; % 主循环 for iter = 1:maxIter for i = 1:numParticles % 解码并训练CNN，返回验证集MSE作为适应度 score = evaluate_particle(positions(i,:)); if score < pbest_score(i) pbest_score(i) = score; pbest_pos(i,:) = positions(i,:); end if score < gbest_score gbest_score = score; gbest_pos = positions(i,:); end end % 速度和位置更新 r1 = rand(numParticles, dim); r2 = rand(numParticles, dim); velocities = w * velocities + ... c1 * r1 .* (pbest_pos - positions) + ... c2 * r2 .* (gbest_pos - positions); positions = positions + velocities; % 边界处理：超出边界则反弹回界内 for i = 1:numParticles for j = 1:dim if positions(i,j) < lb(j) positions(i,j) = lb(j); velocities(i,j) = 0; elseif positions(i,j) > ub(j) positions(i,j) = ub(j); velocities(i,j) = 0; end end end converge_curve(iter) = gbest_score; fprintf('Iter %d/%d, best MSE = %.4f\n', iter, maxIter, gbest_score); end end

这段代码有两个细节值得说。速度更新公式里的r1和r2是逐粒子逐维度生成的随机矩阵，不是每代只生一个随机数，这能保证每个维度的搜索行为都具备随机性。边界处理用“越界置边界、速度归零”的方式，比简单的裁剪更不容易让粒子在边界反复震荡。惯性权重w这里给了固定值0.7，在实际工程中更推荐从0.9线性递减到0.4，让粒子前期全局探索、后期局部精细搜索。

3.4 粒子解码到CNN超参数：连续值怎么变成可用的网络配置

粒子位置向量是连续值，CNN超参数要求是具体的正整数或离散选项，这一步转换是必须的。解码规则在一开始设计编码方案时就要定清楚：

function params = decode_params(x) % 将粒子位置x解码为CNN超参数结构体 % x = [学习率, 卷积核数量1, 卷积核尺寸1, 卷积核数量2, 全连接节点, 丢弃率] params.lr = x(1); % 连续值，直接用 params.numFilters1 = round(x(2)); % 取整到最接近的整数 params.filterSize1 = round(x(3)); % 卷积核尺寸，取奇数更稳妥 if mod(params.filterSize1, 2) == 0 params.filterSize1 = params.filterSize1 + 1; % 偶转奇，避免padding计算麻烦 end params.numFilters2 = round(x(4)); params.fcUnits = round(x(5)); % 全连接层节点数 params.dropoutRate = x(6); % 连续值，直接用 % 约束检查：最小合法取值 params.numFilters1 = max(params.numFilters1, 8); params.numFilters2 = max(params.numFilters2, 8); params.fcUnits = max(params.fcUnits, 16); end

解码阶段的三个坑都在代码里做了防御：卷积核尺寸取整后检查奇偶，因为Matlab的convolution2dLayer配合samepadding时奇数尺寸会省很多边界问题；卷积核数量防止取整到0；全连接节点数给下限，避免网络容量过小完全学不动。

3.5 构建CNN网络并训练：trainNetwork和自定义训练循环怎么选

解码出超参数后，就是构建网络和训练环节。Matlab里主流做法是用trainNetwork：

function [net, valMSE] = build_and_train(params, X_train_n, Y_train_n, X_val_n, Y_val_n) % 构建CNN回归网络并训练 % 把多变量输入组织成 sequence 格式：特征数×时间步×样本数 % 这里假设每个样本是 特征数=size(X,2) 行、1列 numFeatures = size(X_train_n, 2); layers = [ sequenceInputLayer(numFeatures, 'Normalization', 'none') convolution1dLayer(params.filterSize1, params.numFilters1, 'Padding', 'same') reluLayer maxPooling1dLayer(2, 'Stride', 2) convolution1dLayer(3, params.numFilters2, 'Padding', 'same') reluLayer globalAveragePooling1dLayer fullyConnectedLayer(params.fcUnits) reluLayer dropoutLayer(params.dropoutRate) fullyConnectedLayer(1) regressionLayer ]; options = trainingOptions('adam', ... 'InitialLearnRate', params.lr, ... 'MaxEpochs', 80, ... 'MiniBatchSize', 32, ... 'ValidationData', {X_val_n, Y_val_n}, ... 'ValidationFrequency', 10, ... 'Verbose', false, ... 'Plots', 'none'); net = trainNetwork(X_train_n, Y_train_n, layers, options); % 验证集预测并计算MSE Y_val_pred = predict(net, X_val_n); valMSE = mean((Y_val_pred - Y_val_n).^2); end

数据格式是这段代码最容易出错的点。这里X_train_n的尺寸是“样本数×特征数”，但sequenceInputLayer要求的是“特征数×时间步×样本数”。如果直接传入会报维度错误。正确做法是在传给trainNetwork前做一次permute转换，把样本数放到第三维。很多网上流传的源码在这一步直接用原始二维矩阵，跑通是碰运气。这个坑在避坑章单独展开。

训练选项里ValidationData的作用要正确理解：trainNetwork的验证集只用来显示损失曲线和提前停止判断，不会参与梯度更新。PSO每个粒子评估时都跑一遍完整训练，即使80个epoch加上早停机制，一个粒子大约耗时几十秒到几分钟，这是整个PSO-CNN最耗时的地方。

3.6 结果回读与最终评估：从最优粒子到测试集预测

粒子群循环结束后的收尾工作：

% 粒子群搜索结束，gbest_pos是最优超参数 best_params = decode_params(gbest_pos); fprintf('最优超参数：lr=%.4f, filters1=%d, filterSize=%d, filters2=%d, fc=%d, dropout=%.2f\n', ... best_params.lr, best_params.numFilters1, best_params.filterSize1, ... best_params.numFilters2, best_params.fcUnits, best_params.dropoutRate); % 用最优超参数重新训练，这次要完整训练并保存 rng(42); % 同样固定种子，保证可复现 [final_net, ~] = build_and_train(best_params, X_train_n, Y_train_n, X_val_n, Y_val_n); % 测试集预测，反归一化后算指标 Y_test_pred_n = predict(final_net, X_test_n); Y_test_pred = Y_test_pred_n * sig_y + mu_y; rmse = sqrt(mean((Y_test_pred - Y_test).^2)); mae = mean(abs(Y_test_pred - Y_test)); r2 = 1 - sum((Y_test - Y_test_pred).^2) / sum((Y_test - mean(Y_test)).^2); fprintf('测试集 RMSE=%.4f, MAE=%.4f, R2=%.4f\n', rmse, mae, r2);

注意Y_test_pred_n是归一化后的预测值，必须用训练集的目标值统计量反归一化，才能和原始尺度上的Y_test比较。很多人在这一步直接拿归一化预测值和原始真实值算误差，结果RMSE小得离谱还以为是模型好，其实是量纲不一致造成的假象。

4. 回归预测场景下的参数怎么设：适应度、粒子群超参与CNN搜索范围

4.1 适应度函数：误差指标选哪个、验证集比例给多少

适应度函数的设计直接决定粒子群往哪个方向搜索。回归预测最常用的三个指标是MSE、MAE、RMSE，它们在PSO里的表现差异很明显。

MSE对大的预测误差惩罚重，搜索方向偏向“压低极端误差”，适合目标变量波动大的场景。MAE对离群点鲁棒，如果数据里有较多噪声点，MAE能避免粒子被少数异常样本带偏。RMSE其实是MSE开根号，排序和MSE一致，还要多算一步根号，在适应度函数里没有额外价值，可以不用。

我的习惯是：粒子群搜索阶段用MSE，因为它在数值上对微小改进更敏感，收敛曲线的下降趋势明显，便于判断优化是否在推进；最终评估时同时报RMSE、MAE、R²三个指标，给读者完整参考。

验证集比例一般给15%~20%。给太少，适应度评估的方差大，同一组超参跑两次可能差不少；给太多，训练集数据量缩水，网络学不充分。样本总量几千往上时15%够用，样本只有几百时建议提到20%，但粒子群迭代次数要相应减少，否则每个粒子训练时间太长。

如果样本量进一步紧张，可以做K折交叉验证取平均MSE做适应度。一个粒子要训练K次网络，耗时直接乘以K，所以只在样本量很小、评估噪声大到无法忍受时才用。

4.2 粒子群自身参数：两组常用配置的值与作用

种群规模和迭代次数的关系值得单独说。刚上手的人容易把种群设50、迭代设50，想着“搜索得更充分”，但实际上CNN训练一个粒子就要几十秒，50×50等于2500次训练，跑一天都不一定完。更理性的预算是把两者乘起来控制在300~400次训练以内，例如种群25、迭代15，对应375次训练。如果一次训练要1分钟，总耗时大约6小时，在实验室场景可以接受。

速度上限vmax是个容易被忽略但影响很大的参数。PSO的v是逐维度的，每一维的合理速度上限和该维搜索范围宽度强相关。学习率范围是0.01，卷积核数量范围是112，给两者同一速度上限显然不合理。实现时建议按维度分别设置vmax = 0.15 * (ub - lb)，每个维度都限成自身范围的15%。

4.3 CNN超参数搜索范围：六个维度的上下界怎么定

粒子群搜索范围是“工程经验”含量最高的部分。范围太窄，最优解根本不在里面，粒子怎么跑都是白费；范围太宽，同样的迭代次数下搜索密度降低，大概率只找到粗糙的次优解。

卷积核尺寸的搜索范围，不同版本的程序风格差异大。有的源码把filterSize编码成[1,3,5,7]索引，用ceil(2*x+1)从连续值映射；有的直接搜连续值再取整。两种都能用，但直接搜连续值再取奇数的方式更平滑，粒子位置微调时不会出现“从3跳到5”的断层。

两个卷积层之间是否插池化层，绝大多数源码固定写死一个maxPooling1dLayer(2, 'Stride', 2)，不做搜索。原因是把池化策略也编进粒子会增加维度、拉大搜索空间，而它对结果的影响没有学习率和核数那么显著。新手不要一上来就搞十几维的粒子，6维左右是性价比最高的配置。

4.4 搜索范围怎么收窄：先跑一次手动基线再定边界

一个我踩过坑才养成的习惯：粒子群搜索开始前，先手动跑一组保守超参数（比如lr=0.001、核数32/32、fc=64、dropout=0.2），记录验证集MSE作为基线。然后设定粒子群搜索范围时，确保这个手动基线在范围内靠近中间位置，而不是顶在边界上。

这样做有两个好处。第一，如果粒子群搜索完的gbest MSE还不如手动基线，说明编码、数据或PSO实现有bug，而不是模型本身不行。第二，基线给收敛曲线提供了一个参考线——gbest曲线跌到基线以下，才能确信优化在生效。这比盲目把范围拉大然后等颗粒无收靠谱得多。

5. PSO-CNN避坑笔记：五个容易翻车的具体场景

5.1 适应度曲线震荡不下降：CNN随机初始化带来的评估噪声

现象：PSO迭代了十几轮，gbest曲线忽上忽下，甚至比第一代的某个粒子还差，看起来整个优化过程在乱跳。

原因：CNN训练本身有随机性——权重初始化和mini-batch采样顺序每次跑都不一样。同一个粒子（同一组超参数）前后两次评估的验证集MSE可能差5%~10%。粒子群算法把这种噪声当成真实的适应度差异来更新pbest和gbest，自然会被带偏。

解决：在适应度评估函数里固定随机种子，最省事的是在build_and_train开头加一句rng(42)。更好的做法是让同一组超参数训练2~3次取平均MSE做适应度。前者简单但可能让搜索偏向对某个初始化幸运的网络有利的超参；后者更稳但要付出2~3倍的训练时间。折中方案：粒子群阶段固定种子，最终评估阶段换种子跑3次验证稳定性。

提示：rng(42)里那个数字随意，但必须固定。不固定种子时粒子群评价的是“随机网络”而非“超参数”，整个优化在数学上是不成立的。

5.2 粒子群早熟收敛：搜索空间太大但迭代次数跟不上

现象：迭代到第5、6代时gbest就不再变化了，所有粒子都挤在某个小区域里，后续迭代等于空转。

原因：两个因素叠加造成。一是搜索范围定太宽，粒子初始分布稀疏，早期偶然碰到的某个不错位置被迅速放大成gbest，粒子群还没来得及铺开就围拢过去；二是惯性权重固定偏小，粒子缺少继续探索的动量。

解决：初跑时把范围收窄成“手动基线±50%”；用惯性权重线性递减w = 0.9 - (0.9-0.4)*iter/maxIter，让前期搜索范围主动铺开；再把速度下限设成不允许完全归零，保持最低探索能力。这三个措施同时上，早熟问题基本能缓解。

5.3 多变量输入的维度顺序问题：permute不是想怎么换就怎么换

现象：trainNetwork报"Invalid input data"错误，提示sequence input维度不匹配；或者能跑，但验证集准确率奇低。

原因：sequenceInputLayer接收的数据格式是“特征数×时间步×样本数”。如果你把原始数据N×M矩阵（N个样本、M个特征）直接丢进去，Matlab会把这个矩阵理解成“M个序列×N个时间步”的单个样本，结构全乱。

解决：在传给trainNetwork之前做一次显式permute：

% 原始X_train_n是 N×M，转为 M×1×N 的sequence格式 X_train_seq = permute(X_train_n, [2, 3, 1]); % 第1维放特征，第2维放时间步，第3维放样本 X_val_seq = permute(X_val_n, [2, 3, 1]); X_test_seq = permute(X_test_n, [2, 3, 1]);

如果是二维矩阵输入到imageInputLayer，则要转成[M, 1, 1, N]的四维数组，用reshape(X_train_n, [M, 1, 1, N])实现。维度顺序问题属于“看报错能解决，但不报错时最坑”的类型——命令窗口没提示，预测结果全错。

5.4 归一化泄漏：训练集统计量跑到验证集上

现象：验证集MSE小得惊人，但测试集MSE爆炸，差距在10倍以上。

原因：归一化时用了全样本的mean(X)和std(X)，验证集和测试集的分布信息通过归一化参数泄露到了训练过程中。训练阶段看到的“验证集”已经不是独立分布的验证集了。

解决：归一化参数只能从训练集计算。代码里严格按X_train算mu_x、sig_x，验证集和测试集直接套用。这条和之前代码块里写的一致，但很多人数据预处理写成独立函数后就不自觉把整个数据集传进去算了。检查方法很简单：打印mu_x的来源变量，确认它只来自训练集切片。

5.5 Matlab版本和工具箱差异：trainNetwork在不同环境下的行为不同

现象：同一套源码在A的Matlab上跑得好好的，在B的Matlab上报错"Deep Learning Toolbox"不支持、或者trainingOptions参数名对不上。

原因：Deep Learning Toolbox在R2019b之后接口变了很多，trainNetwork从“仅支持lstm/sequence”到支持自定义训练循环，参数名和层定义都发生过变化。网上流传的源码大概率基于某个特定版本写成，版本不匹配时不兼容是必然的。

解决：跑源码前先执行ver('nnet')看工具箱版本。R2020a之后的版本基本兼容sequenceInputLayer+trainNetwork的用法；老版本如果报图层错误，优先检查padding、Normalization这类后加的参数，把它们删掉或改为手动设置。另一个更稳的做法是改用dlnetwork自定义训练循环，虽然代码量更大，但跨版本兼容性明显好于trainNetwork。

6. 怎么验证PSO-CNN真的调到位：重复实验、基线与最终测试

6.1 换随机种子跑三次：判断“优化效果”和“运气”的比例

粒子群搜索本身有随机性，CNN训练也有随机性。gbest结果好，可能一半是优化起作用、一半是运气好。验证方法很简单：固定数据划分不变，换三个不同的随机种子（比如42、7、2024）重新跑三次完整PSO-CNN流程，记录每一次的最优超参数和测试集RMSE。

如果三次搜索找到的超参数各不相同、但测试集RMSE相差在5%以内，说明模型对这组超参数不敏感，搜索区域比较平坦，结果可信。如果三次的RMSE相差20%以上，说明适应度地形很尖，粒子群每次都没搜到真正的平坦区域，这时要做的是增大种群规模或缩小搜索范围，而不是重复跑第四次。

三次结果里表现最好的那组超参数，再重新初始化网络训练5次，取测试集指标的中位数作为最终报告值。中位数比均值更抗离群值，这是测试少量样本时的工程惯例。

6.2 和手动基线对比：PSO-CNN值不值得投入

一套完整的验证必须有对照，不然“优化了”说不出口。建议至少对比三个模型：手动尝试过的最佳超参数CNN、PSO-CNN搜出的最优超参数、以及一个简单的全连接神经网络作为下界。

这个表的意义不只是证明PSO-CNN精度高，更要看精度收益和耗时成本的比例。精度提升10%以上值得投入；只有3%的提升，并且项目有实时性要求，那手动调参可能更合理。

6.3 一个收尾习惯：把最优超参数和收敛曲线一起存档

粒子群跑完之后，我把best_params结构体、converge_curve数组、测试集预测值和真实值一起存成一个.mat文件，命名带上数据集的名称和日期。这个习惯救过我一次：隔了一个月回头改进模型时，忘了当初搜出来的最优参数是什么，重跑一次耗时一下午，翻出存档文件三分钟就恢复了现场。

另外converge_curve值得画一张图——横轴迭代次数、纵轴gbest MSE。曲线单调下降且平滑，说明PSO过程健康；曲线在最后几代还在下降，说明迭代次数不够，可以再加；曲线前两代就触底，说明初始粒子就足够好或者搜索范围太窄。

PSO-CNN不是银弹，它解决的核心问题只有一个——不让你把时间耗在一轮又一轮的手动调参里，把这部分时间换成机器迭代。跑之前先想清楚适应度函数怎么设计、边界怎么定、随机种子怎么固定，这三件事想透了，后面基本是等待验证机跑完的事。希望帮到你。

本文还有配套的精品资源，点击获取