改進蝗蟲優化MLP神經網絡及數據分類應用

王 強，胡 榮

(1.成都文理學院 信息工程學院，四川 成都 610401；2.吉利學院 智能科技學院，四川 成都 641402)

0 引 言

隨著大規模醫療保健和臨床數據的產生，以及人類對自身健康關注度的顯著提升，生物醫學研究正變得越來越流行。醫學工作者可以通過學習已有的大量數據更好地對病人做出疾病診斷，以此提升醫療保健服務。然而，由于數據量巨大，信息種類繁多，如何從大量原始數據集中挖掘出有效信息成為解決這類問題的關鍵。

傳統MLP神經網絡根據梯度下降法更新權值和偏差值，對于歷史權值和偏差值沒有記憶能力，增加學習樣本時，網絡訓練需要重新開始。這一特性使得傳統神經網絡易于生成局部最優解。對數據集進行分類預測時，會導致預測值與實際值相差較大，分類準確度有待提高。對此，提出一種基于改進蝗蟲優化算法IGOA的優化MLP神經網絡模型。具體地，利用拉普拉斯分布進行種群初始化，提升種群多樣性；利用非線性調節因子更新均衡全局搜索與局部開發能力；利用融合對立學習與柯西分布的個體變異機制避免算法陷入局部最優，提升尋優精度。進一步利用IGOA算法優化MLP神經網絡，求解最優的網絡權值和偏差，克服標準網絡結構容易生成局部最優、收斂速度慢的缺陷。以配置最優參數的MLP神經網絡對數據集進行分類，提升數據集的分類準確度。利用一組疾病數據集作為數據樣本進行實驗分析，驗證所提網絡模型可以有效提升分類準確率，且算法尋優精度更高，收斂速度更快。

1 相關研究

人工神經網絡ANN可以學習、識別并處理工程和科學領域中的復雜問題[1]。對于多層感知器MLP神經網絡而言，可采用監督或非監督訓練方法對這種人工神經網絡進行訓練[2]。而監督型訓練器主要方法有兩類：基于梯度和基于隨機搜索[3]。目前，最為常用的梯度下降訓練法為反向傳播法，這種方法具有良好的局部搜索能力，利于對局部區域的開采。然而，為了獲得全局最優解，搜索過程必須在全局勘探和局部開發間實現有效的均衡。勘探是搜索未知新區域的關鍵，而開采則充分利用了已知區域的優勢[4]。然而，局部最優的停滯、早熟收斂以及對于參數的依賴性均使得梯度下降策略擁有諸多限制[5]。有必要利用新型智能算法使得MLP神經網絡的訓練具備隨機性而又可以有效逃離局部最優[6]。

對于神經網絡而言，選取學習率過小時，連接權值調整小，會導致網絡收斂慢；若選取學習率過大，連接權值相應變大，網絡會出現振蕩，進而發散不得收斂。為此。相關研究中，文獻[7]在神經網絡權值上引入了自適應學習率方法，解決了人工經驗賦值的弊端，模型精度有所提升。文獻[8]基于縮放因子選取和數據分布的影響，在隱藏層神經元基函數的寬度計算上引入一種方差度量法，以此優化神經網絡參數，提升網絡逼近性能。文獻[9]提出基于思維進化算法的BP神經網絡優化模型，利用思維進化算法更強的全局尋優能力、更少的待調參數及更快的尋優收斂速度的特征，有效彌補了傳統神經網絡在按擬合能力、易得到局部最優及收斂慢的不足。文獻[10]提出利用混合離散粒子群算法優化卷積神經網絡的連接結構和權值參數，可以提升神經網絡的收斂速度和識別準確比。文獻[11]為解決神經網絡學習過程中較大學習率導致的振蕩問題，提出動量因子學習率優化方法，有效提升收斂速度，并緩解了振蕩。文獻[12]提出利用人工魚群算法對神經網絡的連接權重和閾值進行尋優，構建了傳感器網絡中的數據融合改進模型。新模型一定程度提升了數據融合率，但智能算法本身的尋優精度并未改進提升，影響了算法改進效果。

2 標準蝗蟲優化算法GOA

GOA是一種受自然界中蝗蟲的社會行為啟發而設計的智能優化算法[13]，擁有比傳統PSO、FA、BA等更好的全局尋優能力。蝗蟲的主要特征是在幼蟲和成蟲階段具有覓食、目標追蹤和團隊合作的能力。在幼蟲階段，它們行動緩慢，可短步長跳躍。在成蟲階段，其行動迅速，可大范圍移動搜索食物源。為了模擬以上行為，蝗蟲移動模型如下

Xi=Si+Gi+Ai

(1)

式中：Xi為蝗蟲i的位置，Si為社群作用力，Gi為蝗蟲i的重力強度，Ai為個體遭受的風力。結合蝗蟲作為動物的行為隨機性，Xi可重寫為Xi=r1Si+r2Gi+r3Ai，r1、r2、r3∈[0,1]。 3個構成成分定義如下

(2)

Gi=-ge′g

(3)

Ai=-ue′w

(4)

其中，dij表示個體i、j間的距離，d′ij為單位矢量，g為重力常數，e′g為重力的單位矢量，u為漂移常量，e′w為風力單位矢量。s表示社群作用力強度函數，定義為

s(r)=fe- r/l-e- r

(5)

式中：f為引力強度，l為吸引力步長。根據式(2)～式(4)可得

(6)

式中：N為種群規模。通過函數s可將蝗蟲的移動空間劃分為吸引區、排斥區和舒適區。若個體間距大于10，s≈0，表明個體之間無影響力，因此，GOA算法會將種群位置映射至[1,4]之間。若個體均處于舒適區，則位置不更新。綜合考慮，在不考慮重力和風力作用時，種群個體僅依賴社群作用力作位置更新，使其收斂至舒適區。而根據式(6)，由于種群會很快到達舒適區，種群將無法收斂至指定目標處。因此，修正的位置更新方式為

(7)

式中：d為位置維度，UBd和ULd分別為位置上下邊界，T′d為目前的最優解，c為調節因子。內層c用于GOA減小蝗蟲間的排斥力和吸引力，外層c則減小最優位置處的搜索趨勢。因子c定義為

c=cmax-t×(cmax-cmin)/Lmax

(8)

式中：cmax、cmin分別對應c的最大值、最小值，t為當前迭代數，Lmax為最大迭代。

3 多層感知器神經網絡MLP

MLP神經網絡是前饋神經FFNN的一種[14]，其特征是僅有一個隱含層，神經元之間單向連接，結構如圖1所示。MLP中的數據傳輸發生在3個并行層次之間：輸入層、隱藏層和輸出層。層次連接具有權重屬性，節點功能可執行求和和激活兩種功能。求和函數為

圖1 MLP神經網絡模型

(9)

式中：n為輸入數據量，Ii為輸入數據i，βj為偏差，wi,j為連接權重。

結合式(9)，隱藏層中利用激活函數得到的輸出為

(10)

則MLP中單元j的輸出為

(11)

根據以上模型可知，偏差值和連接權重決定了在給定輸入情況下MLP的最終預測輸出。而MLP訓練的目標是通過計算最優權重和偏差值，獲取更高的數據集分類準確率。

4 基于對立學習與柯西分布的改進蝗蟲優化算法IGOA

4.1 基于拉普拉斯分布的種群初始化

初始種群分布對智能算法的尋優結果會產生重要影響，個體位置的初始位置分布多樣性越好，越有利于算法尋優效率。標準蝗蟲優化算法GOA的初始種群生成是隨機的，種群缺乏多樣性，不利于算法尋優。改進算法IGOA將利用拉普拉斯Laplace分布進行種群初始化，提升個體多樣性。圖2是200次迭代情況下兩種初始化方式的不同分布。

圖2 拉普拉斯分布

拉普拉斯分布的概率密度函數為

(12)

分布函數為

(13)

結合拉普拉斯分布，初始蝗蟲種群的位置生成方式為

xi,j=ULj,min+Lap(p,q)×(UBj,max-ULj,min)

(14)

式中： [ULj,min,UBj,max] 表示位置xi,j的搜索范圍，Lap(p,q) 表示拉普拉斯分布，p∈(-∞,∞) 為位置參數，q>0為尺度參數，函數f關于p對稱，且在 [0,p] 上遞增，在 [p,∞] 上遞減。

圖2中，隨機值分布代表標準蝗蟲優化算法GOA中采用Rand函數產生隨機數的方法進行種群初始化得到的種群分布，該方法容易造成種群個體多樣性的缺失，不能保證個體均勻穩定地分布于整個搜索區間，降低了搜索精度。而拉普拉斯分布具有的尖峰和輕微厚尾，可以使其具有更好的遍歷性，且不缺乏隨機性，不僅增強了全局開拓性，也為算法的全局尋優奠定了堅實基礎。

4.2 基于非線性的調節因子更新

根據式(7)可知，調節因子c在個體位置更新中兩次被利用。式(8)表明，參數c是線性遞減的。外層c會隨著迭代減少個體在目標區域附近的移動，該過程屬于局部開發；內層c則可以隨著迭代降低個體間的吸引力和排斥力，該過程屬于全局搜索。c值的變化決定了算法的局部開發與全局搜索間的轉換過程。然而，線性c值并不能體現蝗蟲種群的實際搜索過程，不同的迭代時期c值的不同遞減速度對算法的影響是不同的。在迭代早期，c值取值較大，利于提升算法的全局搜索能力，但遞減相對過快會使種群遍歷性不足，降低尋優精度；而在迭代晚期，c值取值較小，利于提升算法的局部開發能力，但遞減相對過慢會降低算法收斂速度。為此，改進算法采用一種融合指數和隨機對數遞減的非線性調節因子更新策略，以最大迭代次數L為界，迭代前期利用指數函數遞減更新調節因子，迭代后期利用隨機對數函數遞減更新調節因子，使其具有自適應更新機制，有效均衡算法的全局搜索和局部開發能力。具體方式為

(15)

式中：rand(0,1) 代表(0,1)區間的隨機值。根據式(15)，c呈非線性遞減。迭代早期c較大，遞減速率較慢，這樣全局搜索過程更加充分；迭代后期c較小，遞減速率較快，算法收斂速度更快。

4.3 融合對立學習與柯西分布的個體變異

根據位置更新式(7)，當前迭代中最優個體T′d對種群更新具有引領作用。為了避免迭代后期尋優過程陷入局部最優，改進算法引入對立學習與柯西分布的個體變異機制實現種群擾動，使算法具備跳離局部最優、勘探新區域的能力。

對立學習是一種可以同步考慮對立解適應度的尋優策略。令Xbest(t) 為當前迭代t的種群最優解，則其對立解為

Xbest′(t)=UB+r⊕(UL-Xbest(t))

(16)

式中： [UL,UB] 為個體的搜索邊界，r為(0,1)內的隨機值。根據原始最優解Xbest(t)及其對立解Xbest′(t)， 個體的變異方式為

Xnew(t+1)=Xbest′(t)+r1⊕(Xbest(t)-Xbest′(t))

(17)

式中：r1為信息交換控制因子，定義為

r1=(t-t/Lmax)t

(18)

柯西變異源于柯西分布，柯西分布是連續型概率分布。一維柯西分布的標準概率密度函數表達式可定義為

(19)

根據柯西分布概率密度函數的曲線可知，柯西分布兩端具有較長尾翼，這使得個體具有更高的概率跳躍至更好位置，脫離局部最優。此外，柯西分布在中心0處峰值較小，從峰值下降至0趨勢平滑，變異范圍均勻。從這方面講，柯西變異對個體的擾動能力要強于標準高斯變異。IGOA算法將柯西變異算子引入當前最優解的位置變異中，利用柯西算子調節和增強算法跳離局部最優的能力。具體位置變異方式如下

Xnew(t+1)=Xbest(t)+cauchy(0,1)⊕Xbest(t)

(20)

式中：cauchy(0,1) 為服從柯西分布的柯西算子。

為了確保變異個體能夠擁有更好的適應度，利用貪婪策略保留最優個體，即：需要對比變異前后個體的適應度，保留適應度更好的個體在種群中。數學模型為

(21)

為了進一步提升算法性能，改進GOA算法通過概率選擇實現對立學習變異或柯西變異。定義選擇概率SP為

SP=-exp(1-t/Lmax)10

(22)

具體選擇方式是：定義隨機量rand，若rand

(23)

4.4 IGOA算法具體步驟

步驟1 參數初始化，包括：種群規模N、最大迭代次數Lmax、選擇概率SP、調節因子最大值cmax、最小值cmin、吸引力強度f、吸引力步長l；利用拉普拉斯分布進行種群位置初始化；

步驟2 計算種群個體適應度，記錄當前最優個體Xbest；

步驟3 根據式(15)更新調節因子；

步驟4 根據式(7)更新進行種群個體位置；

步驟5 重新計算種群個體適應度，并記錄當前最優個體；

步驟6 若rand

步驟7 判斷算法迭代是否完成，若是，返回全局最優解；否則，重復步驟3～步驟6執行。

5 基于IGOA算法的MLP訓練模型IGOAMLP

將IGOA算法應用于MLP模型的優化中，需要解決兩個問題：一是MLP網絡中的權重與偏差值如何編碼為蝗蟲個體的位置，即網絡模型與種群個體位置的映射關系；二是如何設計種群尋優的適應度函數，用于評估相應權重與偏差值組合下MLP模型的訓練效果。對于IGOAMLP，所有搜索蝗蟲個體可以編碼為一維矢量，每個個體代表的解即為一個侯選MLP神經網絡。圖3即為蝗蟲個體的編碼方式，每個編碼矢量由3部分組成：輸入層與隱藏層間的連接權重集合、隱藏層與輸出層間的連接權重集合和偏差值集合。矢量長度為目標網絡的權重與偏差數之和，計算為

圖3 個體編碼

編碼矢量長度=n×m+(2×m)+1

(24)

式中：n為輸入樣本量，m為隱藏層的單元數。

利用均方誤差MSE表示IGOAMLP模型的適應度函數，指標MSE代表實際值與MLP網絡的預測值的均方誤差，定義為

(25)

式中：y為實際值，y′為預測值，n為樣本數。

IGOAMLP算法過程如下：

步驟1 按預定義種群規模隨機初始化IGOAMLP中的蝗蟲種群，每個個體代表一種可能的MLP神經網絡模型；

步驟2 將蝗蟲位置矢量中的元素分配至MLP神經網絡中的連接權重和偏差；

步驟3 利用訓練集中的所有樣本訓練MLP，并利用MSE評估MLP的質量；

步驟4 尋找擁有最小MSE值的MLP，即當前最優蝗蟲個體；

步驟5 根據式(7)更新所有蝗蟲個體的位置；

步驟6 判斷迭代終止條件，輸出擁有最小MSE值的MLP最優解。

圖4是IGOAMLP模型的完整流程。算法的時間復雜度為O(t×S×N2)， 其中，t為迭代數，S為位置維度，N為蝗蟲種群規模。

圖4 基于IGOA算法的MLP模型IGOAMLP

6 實驗分析

6.1 實驗搭建

實驗平臺為64-bit Windows 10 OS+Matlab R2017a，CPU主頻率為2.4 G，內存為8 GB。為了驗證改進算法的性能，利用UCI語料庫中的5個醫學數據集測試IGOA-MLP算法。數據集共涉及5種疾病的醫療診斷問題，每一個數據集關注一種特定病癥的識別。表1給出了數據集包含的特征量、訓練樣本數和測試樣本數。其中，Breast cancer為乳腺癌數據集，數據源來自威斯康星大學醫院，包括699個實例，每個實例代表一個經過外科手術的乳腺癌病人，且病人被標注了良性或惡性標簽。Parkinsons為帕金森數據集，由哈佛大學國家聲音與語言中心收集，包括對31個人的23種生物醫學聲音測試結果，其中23人為帕金森患者，8個為健康個人，總共包括195個聲音數據實例。Diabestes為糖尿病數據集，包括728個實例，疾病的分類標簽以二進制表達，1代表正例測試，0代表負例測試。Saheart為心臟病數據集，包括462個實例。Vertabral為脊椎病數據集，包括310個實例，其中有100個正常病例和210個反常病例。

表1 疾病診斷分類數據集

將數據集劃分為兩部分：70%的數據集用于模型訓練，剩余30%用于模型測試。通過30次的樣本訓練和測試過程計算性能指標值的均值。利用最大最小max-min標準化方法將數據集的所有特征處理在區間[0,1]之間，標準化方法為

(26)

式中：minA、maxA分別表示給定特征A的最小值、最大值。數據標準化操作可以確保所有特征擁有相同權重。

為了測試IGOA算法的性能，引入以下幾種經典智能優化算法進行對比分析：標準蝗蟲優化算法GOA[13]、螢火蟲算法FF[15]、花授粉算法FPA[16]。種群規模均設置為N=50，算法迭代次數設置為Lmax=250，IGOA和GOA算法的相關參數中，調節因子最大值cmax=1，最小值cmin=0.00001，吸引力強度f=0.5，吸引力步長l=1。FF算法的相關參數中，初始熒光素為5，感知半徑為10，揮發因子為0.4，介質吸收系數為0.6，擴散次數為15，劃分比例為50%。FPA算法的相關參數中，轉換概率為0.8。

6.2 評估指標

利用5種指標評估算法性能，前4種指標由數據分類模型的混淆矩陣得到，混淆矩陣見表2。

表2 混淆矩陣

表2中，TP表示正確劃分為正例的樣本數，即實際為正且分類為正的樣本數；FP表示錯誤劃分為正例的樣本數，即實際為負但分類為正的樣本數；FN表示錯誤劃分為負例的樣本數，即實際為正但分類為負的樣本數；TN表示正確劃分為負例的樣本數，即實際為負且分類為負的樣本數。

(1)分類準確率AC：表示準確分類的樣本(正樣本或負樣本)占總樣本數的比例，計算方式為

(27)

(2)特異度SP：表示預測負樣本占總的負樣本數的比例。對于醫療數據集，SP有助于準確發現未患病的人，計算為

(28)

(3)靈敏度SE：表示預測正樣本占總的正樣本數的比例。靈敏度越高，表明分類模型越能準確發現患病人，計算為

(29)

(4)G均值G-mean：表示靈敏度SE與特異度SP的聯合指標，計算為

(30)

(5)AUC：表示受試操作特征ROC曲線下的區域，是正負樣本分布不均的數據集分類的有效分類指標，計算為

(31)

其中，P=TP+FP，N=TN+FN。

6.3 實驗分析

Breast cancer數據集測試結果如圖5(a)、圖5(b)所示，圖中展示了各指標的均值AVG、標準方差STD、最優值BEST和最差值WORST。圖5(a)、圖5(b)中柱狀圖對應左縱軸，折線圖對于右縱軸。下同，不作額外說明。總體來看，本文的IGOA算法在多數指標上略優于其它幾種算法，分類準確率的均值AVG分別比GOA算法、FF算法和FPA算法高約9.8%、9.8%和21.4%。指標的標準方差IGOA算法是所有算法中最小的，說明算法穩定性也比較好。圖5(c)是算法的MSE指標的收斂曲線及其箱形圖。觀察收斂曲線可知，IGOA算法在所有算法中收斂速度最快。箱形圖可以說明數據分散程度的情況，其頂端橫線和底端橫線分別表示最大值和最小值，箱內直線為中位值，結果體現出IGOA算法擁有最小的MSE均值，其箱形體積最小，說明算法的穩定性最好。

圖5 Breast cancer數據集測試結果

Parkinsons數據集測試結果如圖6(a)、圖6(b)所示。圖6結果表明，IGOA算法在分類準確率和G-mean兩個指標上表現最好，分別為90.364和0.821，在分類準確率上比GOA算法、FF算法和FPA算法分別高出6.45%、18.43%、21.67%，在G-mean上分別比GOA算法、FF算法和FPA算法分別高出35.12%、67.81%和70.12%。G-mean可以體現特異性和靈敏度的均衡性，對于GOA算法，其最優靈敏性為98.55，但特異性SE較差，僅為62.35%，這說明指標均衡性較差，綜合性能不強。圖6(c)的收斂曲線和箱形圖則顯示出IGOA算法收斂最快，分類誤差最小，而穩定性也是可接受的。

圖6 Parkinsons數據集測試結果

Diabetes數據集測試結果如圖7(a)、圖7(b)所示。結果表明IGOA算法在AUC、分類準確率和特異性3個指標上擁有最好的性能，其G-mean指標也表現較好。盡管FPA算法與IGOA較為接近，但其在圖7(c)中MSE上的變化過大，穩定性較差。此外，FF和GOA兩種算法無法在全局搜索和局部開發間維持有效均衡，表現也不穩定。相比而言，IGOA算法箱形體積更小，表明穩定性更好。圖7(c)中的收斂曲線也表明，IGOA擁有最高的收斂速度，而FF和FPA算法已經陷入局部最優，原因在于基于IGOA算法的MLP中搜索個體能夠在廣泛搜索和勘探間實現更加平滑適應的轉換。

圖7 Diabetes數據集測試結果

Saheart數據集測試結果如圖8(a)、圖8(b)所示。結果表明，IGOA算法在分類準確率和靈敏度兩個指標上優于其它算法，分別達到74.56%和86.89%。GOA算法的G-mean指標表現最好，但從圖8(c)中的箱形圖結果可以看出，該算法MSE變化較大，欠缺穩定性。同時，在收斂速度上，IGOA算法也是所有算法中最快的。

圖8 Saheart數據集測試結果

Vertebral數據集測試結果如圖9(a)、圖9(b)所示。結果表明，IGOA、GOA和FF這3種算法在AUC、分類準確率、G-mean上具有更好的性能。雖然3個指標性能比較接近，但圖9(c)表明IGOA收斂速度更快。同時，箱形圖的結果表明IGOA的箱形圖體積最小，穩定性更強。

圖9 Vertebral數據集測試結果

表3是在MSE指標上IGOA相對3種對比算法進行Wilcoxon秩和檢驗的結果，它是一種以樣本秩替代樣本值的非參數檢驗法，具體指在5%的顯著性水平下檢驗所提算法與對比算法的兩組數據中位值間是否存在顯著性差異。表3中的P值代表兩組數據總體是否相同的顯著性概率，H代表假設檢測結果，H=1代表存在顯著性差異，H=0代表沒有顯著性差異。從結果可以看到，在5個數據集上，IGOA相對3種對比算法所得到的數據上都存在顯著性差異，而P值(均小于1.00E-10)結果則表明IGOA算法的搜索精度更高，很好改進了MSE指標，尋優性能得到了提升。

表3 IGOA算法相對3種對比算法的Wilcoxon秩和檢驗

圖10對比了不同預測模型的性能，包括標準BP神經網絡模型、標準MLP模型、標準GOA算法優化的MLP模型GOAMLP以及本文的IGOAMLP模型。可以看到，未作優化的標準BP網絡模型和MLP模型的均方誤差表現是較差的，與本文的IGOAMLP模型相比在5個數據集上的差異分別為：23.14%、30.76%、17.05%、19.32%、24.91%和18.37%、12.48%、23.38%、11.29%、9.48%。顯然，引入蝗蟲優化算法GOA對MLP模型進行優化的預測性能得到了較好的提升。而相比標準GOA算法，改進后的IGOA算法對于MLP的優化效果更加明顯，由于種群搜索的精度和速度都得到了提升，勢必會建立更好的MLP預測模型，對數據集的分類準確性也將得到進一步提高。

圖10 不同的預測模型

對于神經網絡模型而言，樣本質量和數量都會強烈地影響神經網絡的泛化能力。本文在特定數據集(UCI語料庫的醫學數據集)的規模下，利用70%的數據集用于模型訓練，剩余30%用于模型測試。為了有效驗證模型的泛化能力，實驗過程中確保了所有算法模型都在相同的數據集上進行訓練和測試，測試集也是新鮮樣本，以及訓練集和測試集分布基本相同。同時，訓練樣本集和測試樣本集均采用隨機選取方式進行，一定程度確保樣本選取的隨機性。此外，樣本數量的增加勢必會影響模型訓練的速度。從本文統計的指標表現上看，改進模型在泛化性能上表現尚可。雖然并沒有保證IGOAMLP在所有5個數據集上均得到最優結果，但從分類準確率AC、特異度SP、靈敏度SE、G均值G-mean、AUC這5個指標以及模型迭代收斂速度和誤差水平上看，IGOAMLP依然在分類準確性和穩定性上是所有對比模型中表現最好的。

7 結束語

提出了一種基于改進蝗蟲優化算法的多層感知器神經網絡模型，利用蝗蟲優化算法強大的全局搜索性能對多層感知器MLP的連接權重和偏差值進行迭代尋優，進而得到最優神經網絡模型。利用5種典型疾病數據集對模型進行了訓練與測試，驗證新算法可以在不同模型和復雜性的數據分類上具有更高的準確率。進一步的研究可嘗試對蝗蟲優化算法本身的尋優性能的綜合改進，如在位置更新方式、搜索精度和搜索效率上設計更有合理的機制，使其具有更快速更精確的尋優精度，以此提升預測模型的配置。