粒子群算法优化用于分类 回归 时序预测 粒子群优化支持向量机SVM，最小二乘支持向量机LSSVM，随机森林RF，极限学习机ELM，核极限学习机KELM，深度极限学习机DELM，BP神经网络，长短时记忆网络 LSTM，Bilstm，GRU，深度置信网络 DBN，概率神经网络PNN，广义神经网络GRNN，Xgboost ..... 以上有分类预测回归预测时序预测 matlab代码，可直接替换数据使用，简单操作易上手。

今天咱们来唠唠怎么用粒子群算法（PSO）给各种机器学习模型调参。这玩意儿就像给大厨找最佳调料配比——模型本身是厨具，参数就是那勺盐、半勺糖，调对了味儿才能出好菜。

先看个实战案例：用PSO优化SVM做分类预测。直接上Matlab代码！

% 加载数据（替换成你的数据路径就完事）
data = csvread('data.csv');
X = data(:,1:end-1); y = data(:,end);

% PSO参数设置
options = optimoptions('particleswarm','SwarmSize',30,'MaxIterations',50);

% 定义优化目标函数
fun = @(params)svm_cost(X, y, params(1), params(2));

% 跑优化！C和gamma的搜索范围自己定
[best_params, ~] = particleswarm(fun,2,[0.1,0.1],[100,10],options);

% 训练最终模型
model = fitcsvm(X,y,'KernelFunction','rbf',...
    'BoxConstraint',best_params(1),'KernelScale',best_params(2));

重点看svm_cost这个自定义函数，它长这样：

function cost = svm_cost(X,y,C,gamma)
    % 5折交叉验证验证准确率
    cv = cvpartition(y,'KFold',5);
    acc = [];
    for i =1:5
        trainIdx = cv.training(i); testIdx = cv.test(i);
        mdl = fitcsvm(X(trainIdx,:),y(trainIdx),...
            'KernelFunction','rbf','BoxConstraint',C,'KernelScale',gamma);
        pred = predict(mdl,X(testIdx,:));
        acc(i) = sum(pred == y(testIdx))/length(pred);
    end
    cost = 1 - mean(acc); % 粒子群默认找最小值
end

这段代码骚操作在于：用交叉验证准确率作为PSO的适应度函数，让粒子自动寻找让SVM表现最好的C和gamma参数。注意BoxConstraint就是正则化参数C，KernelScale对应RBF核的gamma参数。

转场看时序预测——拿LSTM举个栗子。很多老铁训练LSTM时总被超参数搞疯，学习率、隐藏层节点数这些玄学参数，交给PSO来调教再合适不过：

% 数据预处理部分自己整，重点看优化逻辑
obj_fun = @(params)lstm_forecast(trainData, testData, params);

% 参数范围：[学习率, 隐藏单元数]
lb = [0.001, 10];
ub = [0.1, 200];

[best_params, val_loss] = particleswarm(obj_fun,2,lb,ub,options);

这里有个坑要注意：LSTM训练本身就慢，直接优化要跑断腿。实战中可以耍个花招——先用小规模epoch跑PSO搜索大致范围，确定候选参数后再精细训练。

顺手给个XGBoost回归的PSO优化模板：

% XGBoost参数优化三件套
params_to_optimize = {'max_depth', 'learning_rate', 'n_estimators'};

% 定义参数边界
lb = [3, 0.01, 50];
ub = [10, 0.3, 500];

% 适应度函数用MSE
fun = @(x)xgboost_mse(X_train,y_train,X_test,y_test,x);

% 开冲！
[best_params, mse] = particleswarm(fun,3,lb,ub);

这里有个骚操作：把整数型参数（比如n_estimators）转成连续变量优化，最后取整使用。虽然不够严谨，但胜在方便，实测效果够用。

最后说几个避坑指南：

1. 粒子数别超过30，迭代次数50左右先试水
2. 参数范围别设太宽，先人工做几轮粗调
3. 分类问题用准确率，回归用MSE/RMSE，时序别忘了滑窗验证
4. 遇到局部最优时，试试增加粒子多样性参数

代码包我都整理成直接替换数据就能跑的形式，需要的老铁评论区自取。下期咱们聊聊怎么用遗传算法给神经网络做结构优化，敬请期待！