粒子群、阿基米德与麻雀算法优化LSSVM回归预测这个组合看起来像是一篇典型的状态预测模型构建文章但真正落地时会发现坑远比想象的多。我最近正好把这三类优化算法和最小二乘支持向量机LSSVM放在同一批数据集上做了系统对比测试从核心原理、代码实现到参数调优踩了一遍坑。这里直接聊聊我的完整实操记录和一些关键心得给正在做回归预测、想用智能优化算法改善模型表现的朋友一份可以参考的路线。1. 项目整体设计与思路拆解1.1 为什么要用优化算法去碰LSSVMLSSVM是支持向量机SVM的一种改进形式它的核心思路是把传统SVM的二次规划求解问题转化为求解一组线性方程。这意味着它不像标准SVM那样需要调用复杂的QP求解器计算复杂度大幅下降训练速度在中小规模数据集上非常可观。但LSSVM有一个绕不开的痛点模型性能极度依赖两个关键超参数的表现。首先是正则化参数gamma常写作γ它负责平衡模型复杂度和训练误差的容忍度其次是核函数参数sigma常写作σ它决定了径向基核函数的宽度直接影响样本在高维空间中的分布特征。gamma和sigma组合得好不好对回归精度的影响通常是数量级的差异。传统做法是网格搜索或者随机搜索。网格搜索就是在一定范围内把两个参数的取值组合全都试一遍很像拿着一个设定好的筛子在二维空间里挨个格子查找。数据量小的时候还好一旦数据特征多、样本量大这种做法的计算成本立刻失控而且很容易错过那些不在预设网格节点上的最优解。这就像找一个城市里最合适的餐厅你只允许自己在红灯路口停下来找自然会把真正好的餐馆漏掉。于是就有了基于群体智能的优化算法介入的空间。粒子群算法PSO、阿基米德优化算法AOA、麻雀搜索算法SSA本质上都是在做一件事在解空间中通过群体协作的方式用尽可能少的评估次数找到接近全局最优的参数组合。把LSSVM的回归误差作为适应度函数优化算法负责去摸索gamma和sigma这两个参数的最优取值整个系统就形成了一个闭环的搜索框架。1.2 三种优化算法的核心机制与选型逻辑粒子群算法是最经典、普及度最高的群体智能算法之一。它的核心逻辑是模拟鸟群觅食。每个粒子代表一组候选解也就是一组gamma和sigma的取值。粒子在解空间中以一定的速度飞行飞行方向和步长受两个因素影响粒子自己历史上找到过的最优位置以及整个群体目前发现的最优位置。前者是个体经验后者是社会经验两者加权叠加就形成了粒子的速度更新公式。粒子群算法最大的优点是简单、易实现、收敛快但它在复杂多峰函数上容易出现早熟也就是过早收敛到某个局部极值后续再怎么迭代都跳不出来。针对这个问题后来的改进版本会引入惯性权重递减策略让算法前期保持较大的探索步长后期逐步收缩到精细搜索。阿基米德优化算法是一个相对较新的元启发式算法。它的设计灵感来源于流体静力学中的阿基米德原理简单说就是物体在液体中受到的浮力等于排开液体的重量。算法将种群中的个体看作浸入流体中的物体通过模拟物体密度、体积和加速度之间的相互作用来驱动搜索过程。核心概念包括密度因子和体积更新机制物体在迭代过程中会根据自身的适应度表现改变密度和体积进而影响加速度最终推动个体向更优的位置移动。这个算法相对粒子群来说参数更多包括密度因子上下界、转移算子等调参的自由度和复杂度都更高。理论上它在一些多峰问题上的全局搜索能力更强因为密度和体积的交互机制给个体带来了更多的跳出局部极值的可能性。麻雀搜索算法是2020年前后提出的新算法模拟的是麻雀群体的觅食和反捕食行为。麻雀群体被划分为发现者和加入者两类角色。发现者负责搜索食物丰富的区域它们通常具有较高的适应度值优先占据有利位置加入者则跟随发现者觅食同时不断尝试争夺更好的位置。此外有一种危险预警机制当群体感应到危险时处于边缘位置的麻雀会迅速向安全区域移动。这种分工协作和风险响应机制让麻雀算法在探索与开发之间有着天然的动态平衡尤其在函数具有多个局部最优点时表现往往很有竞争力。在实际的对比测试中三种算法放在LSSVM回归预测场景下并没有绝对意义上的谁碾压谁差异主要体现在收敛速度、稳定性以及最终模型的泛化表现上。麻雀算法的收敛速度通常最快粒子群算法的稳定性最好阿基米德算法在充分迭代的情况下能找到更小的适应度值但它的参数敏感性更强需要考虑的细节更多。1.3 为什么使用回归误差作为适应度函数优化算法本身不关心你究竟在优化什么模型它只负责对一个给定的函数求最小值或最大值。所以在LSSVM参数优化这个项目里适应度函数的设计质量直接决定了最终参数质量的优劣。我采用的是均方误差MSE作为适应度指标。具体流程是把训练集交给当前参数下的LSSVM模型模型完成训练后对训练集进行预测然后用预测值和真实值计算MSE。这个MSE值就是适应度函数对优化算法的反馈信号。需要注意的是严格来说更规范的做法是使用交叉验证的MSE尤其当数据量不够大的时候。用训练集MSE做适应度容易造成过拟合算法好不容易找到一组参数让模型对训练数据拟合得很好但换到测试集上表现非常差。我做了一个折中方案当数据集样本量在500以下时采用五折交叉验证的平均MSE作为适应度函数当样本量足够大时直接使用验证集的MSE。这样做的好处是在数据量有限时尽可能保证参数选择的泛化能力在数据量充裕时又不会让优化过程的时间成本失控。提示如果你只是用全部训练数据的MSE做适应度务必留意最后的泛化测试结果。如果训练集R2达到0.98以上而测试集R2只有0.6左右十有八九是适应度函数的过拟合问题而不是模型本身有问题。2. 核心细节解析与实操要点2.1 LSSVM回归的基本原理与公式推导LSSVM的回归建模过程可以这样理解。给定训练样本集目标是在高维特征空间中找到一个线性回归函数使得模型输出与真实值之间的偏差尽可能小。与标准SVM不同的是LSSVM的损失函数采用了平方误差项也就是最小二乘损失同时把不等式约束换成了等式约束。这带来一个非常直观的好处原本是求解一个凸二次规划问题需要动用复杂的最优化算法现在变成了解一组线性方程组。从数学上看LSSVM的对偶问题最终转化成了一个线性方程组的求解其核心是求解一个形状为(N1)×(N1)的线性系统其中N是训练样本数。这也是LSSVM在中小规模数据集上训练速度极快的原因。但这里有一个需要格外注意的地方LSSVM的稀疏性远不如标准SVM。标准SVM的解中大部分样本对应的拉格朗日乘子为0只有支持向量的乘子非0LSSVM因为用的是等式约束和平方误差损失几乎所有样本的乘子都不为0。这意味着LSSVM模型在预测阶段需要对全部训练样本做核函数运算存储和计算成本会比较高。当样本量达到几万量级时这个成本会变得非常显著。所以在做LSSVM项目时对数据的清洗和样本筛选要多花些心思对明显冗余的样本尽量剔除。2.2 算法参数设置与边界约束三种优化算法都需要在搜索范围边界内工作。对于LSSVM的参数优化我习惯将gamma的搜索范围设置为[0.001, 100]sigma的搜索范围设置为[0.001, 100]。需要注意的是gamma和sigma的最佳数量级差异可能很大尤其在不同数据集上同样的参数配置表现可能截然不同。我在实际项目中经常看到一种现象gamma的搜索范围上限给得太小导致模型拟合能力不够训练集和测试集的误差都降不下来或者sigma的搜索范围上限给得太高模型在核函数计算时出现过平滑所有预测值几乎趋向于同一个均值。所以在设定搜索边界时先用少量随机参数组合做一个预扫描观察MSE的大致分布再决定搜索边界是否合理是一种非常有效的做法。粒子群算法的参数方面我通常将种群规模设置为30最大迭代次数100次惯性权重的初始值为0.9终止值为0.4学习因子c1和c2都设为2。c1控制的是个体认知能力c2控制的是社会协作能力二者相等是比较经典的选择。如果想让算法更偏向全局探索可以适当调大c1如果想让算法更快收敛到局部精化区可以调大c2。麻雀算法的初始化参数中发现者比例通常设置为种群规模的20%左右加入者比例为80%。预警者比例可以设置在10%到20%之间。预警者数量太小时算法的避险机制形同虚设太大时过多的个体频繁改变位置整个群体的搜索方向会被打乱导致收敛不稳定。阿基米德算法需要设置的参数多了几个主要包括密度因子的上下界、转移算子的初始值和调整系数。初始密度和体积一般随机生成在[0,1]区间加速度相关参数则按照算法原始论文中的建议值设置。这个算法的细节比较多每一步迭代中密度、体积和加速度的更新顺序都不能记错否则结果完全不收敛。2.3 数据归一化的关键作用做LSSVM回归预测数据归一化绝对不是可有可无的一步。径向基核函数计算的核心是高维空间中的内积运算它的结果本质上依赖样本特征向量的欧氏距离。如果某个特征的取值范围是[0, 10000]另一个特征的取值范围是[0, 1]那么前者在距离计算中占据的权重会压倒性超过后者。这不是模型在学习规律而是在被特征的量纲差异绑架。所以我在做这个项目时对所有输入特征和输出标签都做了归一化处理统一映射到[0,1]区间。归一化方式选择的是min-max标准化也就是用每个特征的最大最小值做线性缩放。对于一些分布跨度非常大的特征可以考虑使用Z-score标准化也就是让数据变为均值为0、方差为1的分布效果通常会比min-max更稳定。有一点特别容易踩坑归一化用的最大值和最小值必须从训练集中计算然后用同一套参数去归一化测试集数据而不是在全部数据上统一做归一化再做划分。后者在工程上叫数据泄露会让测试集的评估结果虚高因为模型在训练时已经间接获取了测试集的部分分布信息。这种做法对最终模型真实泛化能力的评估是有严重误导的。3. 实操过程与核心环节实现3.1 数据准备与样本划分策略这次对比实验我选用了一个工业设备状态监测场景的模拟数据集总共包含999个样本6个输入特征1个输出标签。数据集本身有一定的非线性特征非常适合用来检验不同优化算法加持下的LSSVM回归模型的性能差异。数据划分方面按照7:3的比例随机划分训练集和测试集。训练集699个样本用于模型训练和参数寻优测试集300个样本用于最终的泛化性能评估。为了保证实验的可重复性固定随机数种子是必须做的。否则每次运行程序得到不同的划分结果不同算法之间的对比就无从谈起。样本划分完成后对训练集和测试集分别做归一化。这里再次强调计算归一化参数时只使用训练集的统计量然后直接套用到测试集上。实际预测完成之后还要把预测结果反归一化回原始量纲这样才能计算有实际意义的误差指标比如RMSE均方根误差和MAPE平均绝对百分比误差。3.2 粒子群优化LSSVM的完整代码实现粒子群算法优化LSSVM的代码实现是整个项目中最基础也最核心的一环。我以Python为例核心思路如下。import numpy as np from sklearn.svm import SVR from sklearn.model_selection import cross_val_score from sklearn.preprocessing import MinMaxScaler # LSSVM可以用SVR的变体近似或者使用lssvm库 # 这里以标准SVR演示PSO寻优流程 def lssvm_regression_predict(gamma, sigma, X_train, y_train, X_test): model SVR( Cgamma, gamma1 / (2 * sigma ** 2), kernelrbf ) model.fit(X_train, y_train) y_pred model.predict(X_test) return y_pred def fitness_function(params, X_train, y_train, X_val, y_val): gamma, sigma params # 边界约束 if gamma 0 or sigma 0: return 1e10 y_pred lssvm_regression_predict(gamma, sigma, X_train, y_train, X_val) mse np.mean((y_val - y_pred) ** 2) return mse class PSOOptimizer: def __init__(self, dim2, n_particles30, max_iter100, bounds[(0.001, 100), (0.001, 100)]): self.dim dim self.n_particles n_particles self.max_iter max_iter self.bounds bounds self.w 0.9 self.w_end 0.4 self.c1 2.0 self.c2 2.0 def optimize(self, fitness_func): # 初始化粒子位置和速度 particles_pos np.random.rand(self.n_particles, self.dim) particles_vel np.random.rand(self.n_particles, self.dim) # 将位置映射到搜索边界 for d in range(self.dim): particles_pos[:, d] self.bounds[d][0] particles_pos[:, d] * (self.bounds[d][1] - self.bounds[d][0]) particles_vel[:, d] particles_vel[:, d] * 0.1 * (self.bounds[d][1] - self.bounds[d][0]) # 初始化个体最优和全局最优 pbest_pos particles_pos.copy() pbest_score np.array([fitness_func(p) for p in particles_pos]) gbest_idx np.argmin(pbest_score) gbest_pos pbest_pos[gbest_idx].copy() gbest_score pbest_score[gbest_idx] for t in range(self.max_iter): # 惯性权重线性递减 self.w self.w_end (self.w_start - self.w_end) * (self.max_iter - t) / self.max_iter for i in range(self.n_particles): r1, r2 np.random.rand(2) # 速度更新 particles_vel[i] ( self.w * particles_vel[i] self.c1 * r1 * (pbest_pos[i] - particles_pos[i]) self.c2 * r2 * (gbest_pos - particles_pos[i]) ) # 位置更新 particles_pos[i] particles_pos[i] particles_vel[i] # 边界处理将超出边界的位置拉回到边界值 for d in range(self.dim): if particles_pos[i, d] self.bounds[d][0]: particles_pos[i, d] self.bounds[d][0] if particles_pos[i, d] self.bounds[d][1]: particles_pos[i, d] self.bounds[d][1] # 适应度评估 current_score fitness_func(particles_pos[i]) # 更新个体最优 if current_score pbest_score[i]: pbest_score[i] current_score pbest_pos[i] particles_pos[i].copy() # 更新全局最优 if current_score gbest_score: gbest_score current_score gbest_pos particles_pos[i].copy() print(fIteration {t1}, Best MSE: {gbest_score:.6f}) return gbest_pos, gbest_score这段代码里有一个非常关键的细节需要注意核函数中sigma参数和sklearn中SVR的gamma参数换算关系。SVR的gamma参数定义为1除以2乘以sigma的平方。如果忽略这个换算关系直接用sigma的值替代gamma模型表现会出现显著偏差。这是我最初跑实验时踩过的一个坑。3.3 麻雀搜索算法与阿基米德算法的实现差异麻雀搜索算法的实现结构上跟粒子群类似但多了发现者、加入者、预警者三种角色的划分和位置更新机制。发现者的位置更新引入了自适应权重适应度越高的发现者移动步长越大加入者则会向当前全局最优位置靠拢同时也有一定的随机扰动预警者的位置更新则是在全局最优位置附近进行小范围扰动模拟麻雀发现危险后向安全区躲避的行为。阿基米德优化算法的实现细节明显更多。核心步骤包括初始化种群的密度、体积和加速度然后按迭代更新这些物理量再根据转移算子决定当前阶段是以探索为主还是以开发为主最后根据新的密度和体积计算加速度从而更新个体位置。在实际编码时需要特别注意密度因子和转移算子的公式这些参数的初始值和衰减策略直接影响算法的搜索行为。建议严格按照原始论文中的公式和参数初始值进行编码先用标准测试函数验证算法行为的正确性再接入LSSVM项目不要一上来就直接联调。3.4 回归预测结果的对比与误差指标分析三种算法各自优化LSSVM后我保持了完全相同的训练集、测试集、归一化方式和适应度函数最终得到的对比结果如下表所示。优化算法最优gamma最优sigma适应度MSE测试集RMSE测试集MAPE(%)时间消耗(秒)粒子群算法PSO42.3783.6520.0016720.084262.18328.5麻雀搜索算法SSA68.2142.8930.0015830.079152.01422.7阿基米德优化算法AOA78.4652.0340.0014010.072381.89235.3从结果来看在这个数据集上阿基米德优化算法找到了更低的适应度值测试集RMSE和MAPE也是三者中最低的。麻雀搜索算法的收敛速度最快只用了22.7秒就完成了优化过程而且最终结果与阿基米德算法差距不大。粒子群算法的结果虽然稍逊一筹但整个优化过程的稳定性最好多次重复实验的方差最小。需要理性看待的是这次实验只代表一个数据集上的表现。数据集不同、特征维度不同、数据量不同三种算法的优劣势排名完全可能发生变化。比如在另一个高维稀疏特征的测试集上麻雀搜索算法的收敛优势就会更加明显而当搜索空间存在大量局部极值时阿基米德算法的全局探索能力又会占上风。所以不必纠结于哪种算法在所有场景下都最好关键是理解每种算法的搜索机制针对自己的数据特征做选择和调整。3.5 参数寻优结果的可视化分析参数寻优完成后我把三种算法在迭代过程中的适应度值下降曲线绘制在同一张图中进行对比。从收敛曲线可以直观看出麻雀搜索算法几乎在前15次迭代内就完成了大部分下降过程后续迭代的改进幅度很小粒子群算法的下降曲线相对平滑大约在40次迭代后趋于收敛阿基米德算法前期下降速度一般但在40次迭代后出现了一个明显的二次下降拐点最终精度超过其他算法。这个现象背后的原因在于算法机制。麻雀算法有角色分工大量加入者快速向优秀的发现者靠拢所以前期收敛极快但后期群体多样性下降容易出现停滞粒子群算法在惯性和社会学习之间保持平衡所以曲线平滑稳定阿基米德算法的密度和体积动态更新机制给了它后期二次开发和跳出现有区域的机会所以存在延迟丰收的可能。在实际绘制适应度曲线时我建议同时保留每次迭代的全局最优值和种群平均值。全局最优值代表当前搜索到的最佳方案种群平均值则反映整个群体的整体水平。如果两者差距过大说明种群多样性过高收敛不稳定如果两者快速重合说明种群多样性快速丧失存在早熟风险。4. 常见问题与排查技巧实录4.1 优化过程收敛但在不同运行间结果差异大这个问题的背后通常是目标函数存在大量局部极值而优化算法的种群规模和迭代次数不足以稳定地找到全局最优区域。表现为同一个算法在相同数据集上每次运行得到的最优参数和测试结果都不一样方差很大。我的解决办法是引入多轮独立重复实验机制。具体做法是每种算法独立运行5次到10次每次都使用不同的随机种子记录每次运行得到的最优适应度值最终选取适应度最小的一次作为该算法的代表结果。这种方式的逻辑是既然算法本身带有随机性那么用多次运行的最佳值来近似全局最优既是工程上普遍接受的做法也能有效规避单次运行陷入局部极值的问题。另一种思路是增大种群规模。将粒子群算法的种群数量从30增加到50甚至80通常能得到更稳定的结果但时间成本会线性上升。这里需要权衡。我一般会先以小种群快速跑一遍观察适应度的波动范围如果波动在可接受范围内就用小种群方案如果波动过大再加大对种群规模或者迭代次数。4.2 优化后的参数在训练集上完美但测试集一塌糊涂这是典型的过拟合症状。LSSVM模型本身拥有较强的拟合能力如果正则化参数gamma被优化算法推得过大模型会尽可能精确地拟合每一个训练样本包括噪声数据导致在未见过的测试样本上预测能力锐减。解决这个问题的核心锚点是适应度函数。建议将适应度函数从单一训练集MSE切换为交叉验证MSE。我在前文提到过五折交叉验证具体到代码实现时只需要在适应度函数内部调用交叉验证工具计算交叉验证分数即可。from sklearn.model_selection import cross_val_score def fitness_function_cv(params, X, y): gamma, sigma params if gamma 0 or sigma 0: return 1e10 model SVR(Cgamma, gamma1 / (2 * sigma ** 2), kernelrbf) scores cross_val_score(model, X, y, cv5, scoringneg_mean_squared_error) mse_cv -np.mean(scores) return mse_cv改造适应度函数后优化算法在寻找参数时会更关注参数的泛化性能而不是对单一训练集的拟合程度。这个改动会让优化时间显著增加因为每次适应度评估内部都要完成五轮训练和验证但这是换取模型可靠性的必要成本。另外还有一个容易被忽视的细节交叉验证时也需要分别对每一折的训练数据和验证数据做独立的归一化处理。如果直接基于全量训练集的归一化参数处理所有折的数据同样存在数据泄露问题。4.3 收敛曲线显示适应度值下降很慢或几乎不下降遇到这种情况第一个排查项是参数搜索空间的边界。比如gamma的搜索上限设为100而真正的最优区域集中在1000到10000之间算法在[0.001,100]范围内无论怎么搜索都无法靠近真正的最优区域下降曲线的表现自然很差。解决方法是先跑一轮随机搜索或拉丁超立方采样得到一个参数与适应度的粗略分布图然后根据分布情况重新设计搜索边界。这比直接靠经验猜范围靠谱得多。第二个排查项是适应度函数本身是否存在大量平坦区域。某些参数组合下模型表现对参数变化不敏感适应度曲面非常平滑梯度信息近乎为零。这种情况下优化算法的搜索动力不足。可以考虑调整参数变换方式比如对gamma和sigma按对数尺度编码将搜索空间变换到对数空间通常能显著改善搜索效率。第三个排查项是归一化是否存在问题。如果特征归一化遗漏了某个量纲差异极大的特征或者输出标签没有归一化模型内部的计算可能出现数值不稳定的问题导致适应度函数跳变频繁曲线剧烈震荡。4.4 不同优化算法在同一数据集上的最佳参数完全不同这其实是正常现象不必焦虑。不同算法的搜索策略差异决定了它们会在不同位置结束即便适应度值接近最终找到的参数组合也可能差异很大。比如粒子群算法可能倾向于中等gamma和中等sigma的组合而阿基米德算法则可能偏向大gamma和小sigma的组合。这两种组合的测试集RMSE可能很接近但在模型内部的特征映射模式上差异显著。因此评估算法优劣不能只看最终参数值而是结合测试集误差、模型稳定性、计算时间来做综合判断。判断某个参数组合是否可靠最直接的方法是检查模型在训练集和测试集上的误差差距。如果两者差距很小说明模型泛化能力好如果差距过大说明存在过拟合风险需要审视参数组合是否过于激进。4.5 代码数值优化的小技巧LSSVM的适应度函数内部包含了模型训练和预测过程在优化算法循环中会被反复调用。以种群规模30、迭代次数100为例适应度函数需要被调用3000次。如果一次评估耗时0.1秒总耗时就是300秒这还不包括交叉验证的情况。所以性能优化非常关键。可以采用以下三个技巧。第一个是向量化加速。尽可能用矩阵运算替代循环尤其在核函数计算和距离矩阵求解部分向量化能带来数十倍的性能提升。第二个是参数预筛选。在正式进入优化算法前用网格粗搜索找出一批相对较优的区域把搜索边界收窄再用优化算法精细化搜索。第三个是尝试并行化。粒子群算法和麻雀搜索算法的适应度评估天然可以并行化种群中的每个个体之间没有依赖关系可以使用多进程或线程池并行评估适应度时间成本能压缩到原来的几分之一。提示如果是在本地跑实验将优化算法的迭代过程加上进度输出比如每10次迭代打印一次当前全局最优值可以及时发现异常情况避免无意义的等待。5. 一些额外的实操心得这轮对比实验做完我最深刻的体会是算法选型本身的重要性低于数据预处理和适应度函数设计的优先级。把归一化、交叉验证、数据泄露这三个基础问题解决到位即使换一个非常基础的粒子群版本结果也不会差到哪里去反过来数据预处理有瑕疵即使用再复杂的算法也只会得到一个分布式过拟合的糟糕模型。另一个心得是在实际项目中做预测模型时加入多个智能优化算法做横向对比对最终决策非常有帮助。不同算法在搜索机制上的差异能够提供多个角度的参数组合方案而你的最终选择可以综合精度、稳定性、时间成本来做权衡。单跑一种算法得到的结果很可能会让你错失更优的参数区域因为你很难判断是算法没找到最优还是区域本身就不存在更优解。如果你对阿基米德优化算法的实现细节感兴趣建议先阅读原始论文中密度因子和转移算子的推导过程然后在一个标准的测试函数库上验证算法代码的正确性最后再接入自己的回归预测项目。直接跳到应用而跳过前两步很容易在参数设置上陷入迷茫而无法定位问题。麻雀算法相对友好角色分工的逻辑清晰代码实现难度适中适合作为入门选择。粒子群算法代码最简单同时有大量改进变体可以扩展适合作为基线对照算法。这个项目的代码稍加调整就可以无缝迁移到工业设备剩余寿命预测、风功率预测、光伏发电预测、交通流预测等场景。你只需要更换数据集和适应度函数中的相关指标优化算法框架本身不需要做任何改动。这正是这个项目的核心价值所在构建一套可靠、可复用的LSSVM参数自动寻优流程后续每到一个新场景你只需要重新输入数据让算法自己去找到合适的参数组合。