GWO-GRNN 广义神经网络 灰狼优化算法 WOA-GRNN PSO-GRNN 回归预测 基于鲸鱼算法优化的广义神经网络(GRNN)预测 基于麻雀算法优化的广义神经网络(GRNN)预测 更多优化算法可加好友 Matlab 代码注释详细，可正常运行。

搞预测模型的老司机们应该都懂，调参数这事儿有多玄学。特别是像GRNN（广义回归神经网络）这种对平滑因子极其敏感的主儿，手动调参分分钟让人崩溃。不过这两年有个新玩法挺有意思——拿优化算法自动调教GRNN的超参数，今天咱们就扒一扒这个套路。

先看GRNN的结构，它的核心就藏在隐含层的平滑因子σ里。这个σ值要是选不好，预测结果可能比股市还刺激。传统网格搜索太费时间，这时候进化算法就派上用场了。比如用灰狼优化（GWO）来找最优σ值，这货模仿狼群捕猎的等级制度和包围策略，在参数空间里嗅探最佳位置。

来个Matlab代码片段感受下：

% 灰狼参数初始化
alpha_pos = zeros(1, dim);
beta_pos = zeros(1, dim);
delta_pos = zeros(1, dim);

for t=1:Max_iter
    a = 2 - t*(2/Max_iter); % 收敛因子递减
    for i=1:SearchAgents_no
        % 计算适应度（预测误差）
        fitness = fitness_function(positions(i,:), train_data, test_data);
        
        % 更新alpha、beta、delta狼位置
        if fitness < alpha_score 
            alpha_score = fitness; 
            alpha_pos = positions(i,:);
        elseif fitness > alpha_score && fitness < beta_score 
            beta_score = fitness;
            beta_pos = positions(i,:);
        elseif fitness > alpha_score && fitness < delta_score 
            delta_score = fitness;
            delta_pos = positions(i,:);
        end
    end
    
    % 位置更新公式（核心操作）
    for i=1:SearchAgents_no
        r1=rand();
        r2=rand();
        A1=2*a*r1-a;  % 探索系数
        C1=2*r2;      % 开发系数
        
        D_alpha=abs(C1*alpha_pos-position(i,:));
        X1=alpha_pos-A1*D_alpha; 
        
        % 类似操作更新beta和delta的位置...
        position(i,:)=(X1+X2+X3)/3; % 三狼位置加权平均
    end
end

这段代码的关键在于动态平衡探索与开发——参数a从2线性递减到0，前期允许大范围跳跃防止陷入局部最优，后期逐渐收窄搜索范围精准打击。适应度函数里藏着GRNN的训练过程，每次用当前σ值构建网络计算预测误差。

GWO-GRNN 广义神经网络 灰狼优化算法 WOA-GRNN PSO-GRNN 回归预测 基于鲸鱼算法优化的广义神经网络(GRNN)预测 基于麻雀算法优化的广义神经网络(GRNN)预测 更多优化算法可加好友 Matlab 代码注释详细，可正常运行。

鲸鱼算法（WOA）的玩法更骚，它模仿座头鲸的螺旋泡网捕食：

% 鲸鱼位置更新核心代码
p = rand();
if p<0.5
    if abs(A)<1
        D = abs(C*X_rand - X(i,:)); 
        X(i,:) = X_rand - A*D;      % 收缩包围
    else
        X_rand = X(randi(nPop),:);  % 随机选个体
        D = abs(C*X_rand - X(i,:));
        X(i,:) = X_rand - A*D;      % 全局探索
    end
else 
    D_leader = abs(X_best - X(i,:));
    X(i,:) = D_leader*exp(b.*l).*cos(2*pi*l) + X_best; % 螺旋更新
end

这里的螺旋方程让参数在最优解周围做螺旋运动，特别适合GRNN这种可能存在多个局部最优的情况。b控制螺旋形状，l是[-1,1]的随机数，这种机制比单纯的直线搜索更容易绕过障碍。

至于粒子群（PSO），它的社会行为特性在参数优化中表现稳定：

% PSO速度更新
v = w*v + c1*rand().*(pbest_pos - pos) + c2*rand().*(gbest_pos - pos);
pos = pos + v; 

% 惯性权重动态调整
w = w_max - (w_max-w_min)*iter/Max_iter; 

惯性权重w从0.9线性降到0.4，前期保持高速探索，后期低速精细搜索。粒子不仅追随全局最优，还保留自身历史最优经验，这种记忆特性对GRNN的参数空间地形适应性强。

实际跑代码时要注意数据预处理——建议把输入输出归一化到[-1,1]区间，否则不同量纲的特征会把优化算法带沟里。另外适应度函数建议用MAE而不是MSE，因为绝对误差对异常值不敏感，优化过程更稳定。

最后给个暴论：别指望某个算法通吃所有数据集。试过UCI的混凝土强度数据集，GWO-GRNN的R²能到0.92，但在股票预测里WOA反而更稳。建议在同一个数据上跑不同算法，观察收敛曲线——如果前20代就快速收敛，可能陷入局部最优；如果后期还在剧烈震荡，可能需要调整参数范围。