SSA-BP+NSGAII：麻雀搜索优化BP超参数与Pareto前沿

简介：一套基于麻雀搜索算法（SSA）优化BP神经网络的多输入多输出回归预测，并结合NSGA-II多目标遗传算法执行帕累托寻优的MATLAB完整源码与数据包，面向机器学习与智能优化研究者、算法工程师及相关专业学生。资源共34个文件，容量仅1.47MB，其中19个m脚本覆盖SSA优化、NSGA-II遗传操作、成本计算与绘图等完整流程，6个mat文件保存训练中间数据，5个xlsx提供不同维度的输入输出示例与帕累托解集，4张jpg直观展示预测拟合、误差及回归散点效果。目前已有92人学习下载。源码包含SSA优化BP初始权重阈值的实现，并将优化前后的BP模型进行性能对比；同时支持多输入多输出预测，可运行获得帕累托最优解集及其对应自变量取值，方便进一步分析工艺参数。整个包结构清晰、可直接运行，适合作为复现实验、算法改进或工程应用的基础。

1. 为什么说SSA-BP+NSGAII这个组合值得你亲手搭一次

同样一份多输入多输出的工业数据，给三个工程师去搭BP，结果能差出一倍以上的预测误差——BP神经网络结构图谁都会画，可隐层节点数、学习率、正则化系数这三个超参数，网格搜索要跑几百组，手调基本靠玄学。SSA-BP+NSGAII这个标题说的就是：先用麻雀优化算法（SSA）把BP的超参数搜出来，把多输入多输出预测模型做到验证集误差最小；再用NSGA-II在“误差最小”和“模型复杂度最低”两个互相打架的目标之间找出Pareto折中曲线，给决策者一张可选清单。适合手里有MATLAB数据、想直接跑出可复现结果的工程师——无论是设备剩余寿命预测、软测量还是多指标回归，这套组合都适用。

2. 麻雀优化算法：为什么BP超参数值得交给SSA去搜

BP的训练算法做的是参数寻优，而BP本身的结构和训练配置是另一层优化问题。你很难用梯度去优化“隐层放几个神经元”，因为离散变量不可导；你也不愿意用网格搜索，因为组合爆炸。麻雀优化算法是群智能算法里比较晚出现的一个，它的价值在于把搜索过程分成了探索和开发两个节奏，正好匹配BP超参数这种连续加离散的混合空间。

2.1 BP神经网络结构里的三个要命超参数：隐层节点、学习率、正则化

把BP神经网络结构图展开看，输入层节点数由特征列数决定，输出层节点数由预测目标列数决定，中间只有一行隐层神经元是你需要拍的板。隐层节点数太少，模型欠拟合，训练集误差都压不下去；隐层节点数太多，模型开始死记训练样本，验证集误差不降反升。更麻烦的是它和学习率、正则化系数是耦合的——大网络配大学习率极易震荡，小网络配大正则化又直接欠拟合。

单独调任何一个参数都不难，难在三个参数一起调。网格搜索在三维空间里按步长扫一遍，最粗的粒度也要上百次训练；随机搜索碰运气成分大；贝叶斯优化对离散变量支持又一般。SSA这类群智能算法的优势在于它不依赖梯度信息，直接把“一组超参数”当成一只麻雀的位置，用种群迭代去逼近最优组合。麻雀算法对初始点不敏感，也不容易像粒子群那样后期扎堆在一个局部峰附近，这是它适合给BP当“调参器”的原因。

2.2 SSA的发现者-加入者-警戒者机制：MATLAB核心循环代码

麻雀搜索算法的核心是把种群分成三类角色。发现者负责在较优区域附近小步搜索，相当于局部开发；加入者跟着发现者走，同时有一部分会飞到更远的位置去探索，相当于全局探索；警戒者占比最小，发现危险（也就是意识到当前位置已经足够差）时向最优位置靠拢或随机跳开，避免整个种群过早收敛到一个坑里。三者比例通常按发现者占比、警戒者占比来设置，其余都是加入者。

下面这段就是我给SSA写的核心位置更新循环，麻雀位置X的每一行是一组BP超参数，维度dim=3。

function [bestX, bestF] = ssa_search(fun, dim, lb, ub, N, iterMax) % fun: 适应度函数，输入一组超参数x，返回验证集MSE % dim: 超参数个数，这里取3：[隐层节点数, 学习率, 正则化系数] % N: 麻雀种群数；iterMax: 最大迭代次数 PD = round(N * 0.2); % 发现者数量：占种群20% SD = round(N * 0.1); % 警戒者数量：占种群10% ST = 0.8; % 预警阈值，低于它时发现者小步走 X = repmat(lb, N, 1) + rand(N, dim) .* repmat(ub - lb, N, 1); X(:, 1) = round(X(:, 1)); % 隐层节点数是整数 for i = 1:N F(i) = fun(X(i, :)); end [bestF, idx] = min(F); bestX = X(idx, :); for t = 1:iterMax [~, sortIdx] = sort(F); X_sorted = X(sortIdx, :); f_worst = F(sortIdx(end)); % 发现者更新 for i = 1:PD alpha = rand(); R2 = rand(); % 随机预警值 if R2 < ST % 安全，小步走 X(i, :) = X_sorted(i, :) .* exp(-i / (alpha * iterMax)); else % 发现危险，向原点随机跳 X(i, :) = X_sorted(i, :) + randn(1, dim); end end % 加入者更新 for i = PD+1:N A = randi([0 1], 1, dim) * 2 - 1; % 生成±1向量 A_plus = A' * inv(A * A' + 1e-10); % 伪逆，防止奇异矩阵 if i > N / 2 X(i, :) = randn(1, dim) .* exp(-t / iterMax); else X(i, :) = X_sorted(1, :) + abs(X(i, :) - X_sorted(1, :)) * A_plus; end end % 警戒者更新 for i = 1:SD j = randi([1 N]); X(j, :) = X(j, :) + (2 * rand() - 1) .* abs(X(j, :) - bestX) ... ./ (F(j) - f_worst + eps); end % 边界与整数约束 X = max(X, repmat(lb, N, 1)); X = min(X, repmat(ub, N, 1)); X(:, 1) = round(X(:, 1)); % 重新评估适应度 for i = 1:N F(i) = fun(X(i, :)); if F(i) < bestF bestF = F(i); bestX = X(i, :); end end end end

代码里的关键是加入者更新用到了A_plus这个伪逆项。原论文里A是一个元素为1或-1的行向量，A_plus = A^T * (A * A^T)^{-1}，目的是让加入者沿着靠近最优解的方向移动。当dim=3时A*A^T是一个标量，直接用inv不会报错，但如果不加1e-10这个极小项，一旦A全是1或者全是-1，这个标量其实也没问题。真正会出问题的是后面我改写成矩阵形式时，所以这个fudge factor建议保留。

边界处理我这里直接剪裁到[lb, ub]，隐层节点数单独用round取整。注意不要先剪裁再取整，否则学习率、正则化这些连续变量会被round误伤。警戒者更新里我让所有警戒者都做了随机扰动，没有按论文区分“当前最优个体”和“当前最差个体”两种情形，实战中用这种简化版也能收敛，而且代码更短。如果你要追求原版，把警戒者的判断条件补上即可。

2.3 SSA参数怎么设：种群、发现者比例、预警阈值

SSA的参数少，但每个都影响收敛行为。我常用的初始配置如下：

一个常见的翻车是把发现者比例调到0.5以上，整个种群都在做局部小步搜索，全局探索靠加入者根本拉不回来；反过来把警戒者比例调到0.3，每轮都有接近三分之一的个体会被随机跳开，到后期最优解周围始终站不住人，收敛精度很差。SSA的搜索节奏本质上靠这三个比例维持平衡，我一般固定ST=0.8、PD=0.2N、SD=0.1N，只在种群数和迭代次数上做调整。

3. NSGA-II：多输出预测里误差与模型复杂度怎样同时优化

把SSA-BP跑通后你会发现一个问题：SSA返回的全局最优解往往是隐层节点数偏大的那个，因为误差还能再压下去一点。但在工程现场，一个隐层80个神经元的模型和一个隐层25个神经元的模型，测试集误差差不到1%，运维成本却差一倍。这时候单目标优化不够用，需要NSGA-II把“误差”和“复杂度”同时摆上桌面。

3.1 单一MSE为什么不够：多输出场景下的目标冲突

多输入多输出预测的MSE是所有输出列误差的均值，这个指标本身没有错，错在它只描述了一个目标。模型为了同时压住多列输出的总误差，会把隐层撑大，本质是用容量换精度。体现在训练曲线上就是：训练集MSE一路下降，验证集MSE降到某个拐点后开始回升，这个拐点对应的隐层节点数才是工程上最划算的。

NSGA-II处理的是目标冲突。这里我把两个目标定义为：目标一是验证集MSE，目标二是模型复杂度，用隐层节点数加微小的训练耗时惩罚来表示。前者越小越好，后者也越小越好，但两者不可能同时最小——这就是标准的双目标最小化问题。NSGA-II会返回一组互不支配的解，叫做Pareto前沿，前沿上的每个点代表的都是一组可行的BP超参数，决策者按现场约束去选。

3.2 非支配排序和拥挤距离的MATLAB实现

NSGA-II的核心是两个机制：非支配排序负责把种群划成一层一层的Pareto前沿，拥挤距离负责在同一层里保留那些“周围人少”的个体，保证解的多样性。这两段代码是整个算法的心脏。

function frontNo = nondominated_sort(F) % F: N行M列的目标矩阵，这里M=2 N = size(F, 1); domCount = zeros(N, 1); % 被支配次数 dominatedSet = cell(N, 1);% 支配的个体集合 frontNo = zeros(N, 1); for p = 1:N for q = 1:N if p == q, continue; end % p支配q的条件：p的所有目标都不差，且至少一个更优 if all(F(p, :) <= F(q, :)) && any(F(p, :) < F(q, :)) dominatedSet{p}(end + 1) = q; elseif all(F(q, :) <= F(p, :)) && any(F(q, :) < F(p, :)) domCount(p) = domCount(p) + 1; end end end front = find(domCount == 0); frontNo(front) = 1; cur = 1; while ~isempty(front) next = []; for p = front for q = dominatedSet{p} domCount(q) = domCount(q) - 1; if domCount(q) == 0 frontNo(q) = cur + 1; next(end + 1) = q; end end end front = next; cur = cur + 1; end end

注意这段排序代码用的是经典的定义式写法，两层循环遍历所有个体对，复杂度是O(N^2)。当N=30时完全没问题，如果N超过100建议换成按目标排序的快速实现，否则每代排序耗时不可忽略。非支配排序返回的frontNo，数值越小表示这一层的个体越优。

拥挤距离的处理更直接。对同一个前沿层内的个体，按每个目标分别排序，排序后相邻两个体目标差值的绝对值累加，这一层的第一个和最后一个个体的距离直接设为无穷大，保证边界点一定被保留。两个目标都算完后，距离大的个体在锦标赛选择中更容易胜出，这样下一代种群不会聚在一小撮区域里。

3.3 NSGA-II主循环与参数：两目标下的默认配置

NSGA-II的主循环结构是固定的：初始化种群、非支配排序、锦标赛选择、模拟二进制交叉（SBX）、多项式变异、父子合并、再次排序、截断到种群规模。接BP时目标函数是关键。

function [f1, f2] = bp_two_obj(x) % x = [hidden, lr, reg]，由NSGA-II传入 % 返回f1（验证集MSE）和f2（模型复杂度） hidden = round(x(1)); lr = x(2); reg = x(3); net = feedforwardnet(hidden); net.trainFcn = 'trainlm'; net.trainParam.lr = lr; net.trainParam.epochs = 200; net.performParam.regularization = reg; [net, ~] = train(net, X_train', Y_train'); y_val = net(X_val'); f1 = mean((y_val - Y_val').^2, 'all'); f2 = hidden + 0.001 * net.trainParam.time; % 复杂度=隐层节点数+耗时微惩罚 end

训练函数用trainlm（Levenberg-Marquardt），小数据集上收敛速度远快于traingd。f2里把隐层节点数作为主项，训练耗时只占千分之一的权重，这样Pareto前沿横轴是隐层规模，纵轴是验证集MSE，十分直观。理想情况下前沿是一条向右下倾斜的曲线：隐层越大，MSE越低，但降幅逐渐趋缓。NSGA-II要做的就是把这个曲线上每个有代表性的点都搜出来。

NSGA-II本身的默认参数我列在这里，照抄即可：

4. 从原始数据到联合结果：MATLAB完整流程与可复用代码

前面两章把两块核心算法拆开了，这一章把它们拼成一个能跑的流程。你在搜索引擎里翻过一堆matlab下载安装教程、甚至顺手看过免费python源码大全里别人用Python转写的版本之后会发现，MATLAB原版的好处是把神经网络工具箱和优化循环直接焊在一起，不需要自己手写BP。

4.1 源码包组织与数据归一化：拿到手先做什么

一套完整的实现通常按这个结构组织：一个主脚本负责读数据、调算法、出图；两个寻优函数分别对应SSA和NSGA-II；一个目标函数负责把超参数翻译成验证集误差；最后是一个data.mat保存着全部输入输出数据。不建议把全部逻辑塞进一个脚本，排错时你会后悔。

数据准备阶段第一步是归一化。多输入多输出数据里，各列量纲经常差着两三个数量级，不归一化直接进BP，训练过程会像蜗牛一样爬。

% 数据准备：X是n行p列输入，Y是n行q列输出 rng(42); % 固定随机种子，保证可复现 n = size(X, 1); idx = randperm(n); X_train = X(idx(1:round(n*0.7)), :); X_val = X(idx(round(n*0.7)+1:round(n*0.85)), :); X_test = X(idx(round(n*0.85)+1:end), :); Y_train = Y(idx(1:round(n*0.7)), :); Y_val = Y(idx(round(n*0.7)+1:round(n*0.85)), :); Y_test = Y(idx(round(n*0.85)+1:end), :); % 按列归一化到[-1,1]，注意输出列也要单独归一化 [Xn, psX] = mapminmax(X_train', -1, 1); [Yn, psY] = mapminmax(Y_train', -1, 1); X_val_n = mapminmax('apply', X_val', psX); Y_val_n = mapminmax('apply', Y_val', psY); X_test_n = mapminmax('apply', X_test', psX); Y_test_n = mapminmax('apply', Y_test', psY);

归一化有个细节：必须只用训练集去计算mapminmax的映射参数，验证集和测试集用同一组参数去做apply。如果三份数据各自归一化，测试集的真实分布就被你人为扭曲了。Y也要归一化，因为多输出的量纲千差万别，不归一化会导致大数值的输出列在MSE里占绝对主导，小数值输出列被模型无视。

固定随机种子这件事容易被新手跳过。randperm和train函数内部都有随机性，不固定种子，同一套代码每次跑出的结果都不同，你根本无法判断是算法改进还是随机噪声带来的提升。

4.2 主脚本先跑SSA-BP：单目标最优解的完整调用

SSA-BP部分的主脚本很简单，把第2章的ssa_search和BP训练目标函数拼起来。目标函数我建议单独写一个文件，因为NSGA-II阶段还要复用同一套评估逻辑。

% 主脚本：SSA-BP阶段 dim = 3; lb = [5, 0.001, 1e-4]; % 隐层节点下限、最小学习率、最小正则化 ub = [80, 0.1, 0.1]; % 隐层节点上限、最大学习率、最大正则化 N = 30; iterMax = 40; % 目标函数：输入超参数，返回验证集MSE fun = @(x) ssa_bp_cost(x, Xn, Yn, X_val_n, Y_val_n); [bestX, bestMSE] = ssa_search(fun, dim, lb, ub, N, iterMax); fprintf('SSA-BP最优超参数: hidden=%d, lr=%.4f, reg=%.4f, MSE=%.4f\n', ... round(bestX(1)), bestX(2), bestX(3), bestMSE); % 用最优超参数重新训练最终模型 final_net = train_final_bp(bestX, Xn, Yn);

ssa_bp_cost函数内部的做法是：把x拆分，隐层节点取整，用feedforwardnet创建网络，设置好学习率和正则化系数，在训练集上train，然后在验证集上做一次sim并返回MSE。这里有个关键点——不要在每个个体上都设置trainParam.epochs为500，BP本身带early stopping，设200足够，验证集误差连续6次不下降就会自动停。

隐层节点数搜索区间的设置值得单独说。上一轮网格搜索的结果显示最优值在哪，就把lb和ub收窄到哪附近；完全没谱时用[5, 80]起步。区间设得太大，SSA大部分迭代浪费在低质量区域；区间设得太小，又可能漏掉真实最优。暴力起始、迭代收窄，是第一轮跑通的正道。

4.3 主脚本再跑NSGA-II：Pareto前沿和折中解怎么落地

NSGA-II阶段需要把单目标函数替换成双目标函数。我用的做法是保留同一个BP训练逻辑，只是多算一个复杂度指标。

% 主脚本：NSGA-II阶段 pop = 30; gen = 50; lb_nsga = [5, 0.001, 1e-4]; ub_nsga = [80, 0.1, 0.1]; % NSGA-II主循环（简写，完整实现见第3.3节） [popX, popF] = nsga2_main(@bp_two_obj, dim, lb_nsga, ub_nsga, pop, gen); % 画Pareto前沿 F1 = popF(:, 1); F2 = popF(:, 2); figure; scatter(F1, F2, 20, 'filled'); xlabel('验证集MSE'); ylabel('模型复杂度（隐层节点数）'); title('SSA-BP + NSGA-II 的Pareto前沿'); saveas(gcf, 'pareto_front.png');

popF里每一行是两个目标值，每行对应的popX里是一组超参数。你会发现前沿左下角是“误差小但网络大”的解，右上角是“网络小但误差稍大”的解，两者都是非支配关系。决定选哪个，要看业务现场的约束：芯片内存有限就选右上角，精度优先就选左下角，其余选中间拐点处。

这里我一般会把NSGA-II找到的Pareto前沿和SSA-BP的全局最优MSE叠加画在同一张图里。如果SSA-BP那个点落在Pareto前沿的左下角外侧，说明SSA单目标搜索确实找到了误差最低的解，但代价是隐层节点数很大；如果SSA-BP那个点被Pareto前沿完全覆盖，说明前沿上存在一个复杂度更低、误差也不差的解，SSA的解直接可以淘汰。

关于“多输入多输出预测结合多目标优化”的落地逻辑也就清楚了：SSA-BP负责把预测模型做到误差下界，NSGA-II在这个下界附近画一条权衡曲线。两步用的是同一批数据和同一种BP评估方式，不存在模型不一致的问题。

5. SSA-BP+NSGAII的避坑清单：5个常见翻车现场与修复

这一章是我自己跑这套组合时踩过并花时间填平的坑，按现象、原因、解决三步写，照着排查能省下大量时间。

5.1 中文注释乱码导致源码跑不起来

现象：从网上下载的MATLAB源码打开后，中文注释全变成乱码，有的直接报错，有的运行到注释行时语法识别错误。

原因：MATLAB在R2021b之前默认按系统区域编码读取文件，源码用UTF-8保存时，中文注释在GBK环境里被错误解析。搜索热词里经常能看到“matlab 2023 的中文注释乱码”这类问题，本质都是文件编码和编辑器编码不一致。

解决：统一用UTF-8保存源码文件。在MATLAB编辑器中打开文件，确认右下角显示UTF-8；如果显示GBK或ANSI，用记事本或VS Code把文件另存为带BOM的UTF-8格式。运行前在MATLAB命令行执行feature('DefaultCharacterSet', 'UTF-8')只对当前会话有效，重启后失效，不如把文件编码改掉。如果你的MATLAB版本比较新，直接在首选项里把编辑器默认编码改成UTF-8即可。

5.2 位置更新冒出NaN：A+矩阵奇异问题

现象：SSA跑几轮之后，适应度变成NaN，最优解也变成NaN，后续迭代全部崩溃。在命令行里看麻雀位置，发现有些行全是NaN。

原因：加入者更新时计算A_plus = A' / (A * A')，当A是零向量时AA'=0，伪逆变成无穷大。更隐蔽的情况是A向量所有元素都为1或都为-1，AA'不为零但数值溢出。还有一个来源是发现者的指数更新exp(-i / (alpha * iterMax))，当alpha非常接近0时指数项变成0，整行位置被压成0，后续乘以边界时出问题。

解决：在A_plus计算里加正则项，A_plus = A' * inv(A * A' + 1e-10)；在边界处理后再加一个isnan检查，把任何含有NaN的行重新随机初始化。代码里加上这一段：

for i = 1:N if any(isnan(X(i, :))) || any(isinf(X(i, :))) X(i, :) = lb + rand(1, dim) .* (ub - lb); X(i, 1) = round(X(i, 1)); % 隐层节点数保持整数 end end

5.3 适应度大起大落：BP随机初始化与随机种子

现象：SSA连续跑两次，最优MSE一个是0.02，另一个是0.06，差距大到没法判断算法有没有效果。甚至在同一次迭代中，同一个麻雀位置前后两次评估的适应度都不一样。

原因：BP神经网络的权重和偏置每次train都随机初始化，即使超参数完全相同，训练结果也会有波动。SSA的适应度函数是基于单次训练结果的，适应度不稳定，整个种群的比较就没有意义。

解决：在SSA和NSGA-II的评估函数内部固定随机种子。但注意不能在函数最外层固定一次，那会导致所有麻雀用同一组初始权重，失去多样性。常见的做法是把随机种子和麻雀索引或评估序号绑定，例如rng(x(1) * 100 + x(2))，同一组超参数每次评估结果一致。另一个办法是让每个候选解训练两次BP取平均MSE，方差减半但训练时间翻倍，建议在最终选点验证时用，不在寻优过程中用。

固定随机种子这件事本质上是给黑匣子开一个观察窗口——你总是希望看到算法真实收敛过程，而不是被BP的随机性掩盖。

5.4 NSGA-II耗时长到怀疑人生：评估预算与缓存

现象：pop=100、gen=100的NSGA-II配置，每代要训练100次BP，每次训练几十秒，跑完要几小时。有人想用matlab在线网页版直接跑，结果所有进程在共享CPU上排队，更慢，半小时连第一代都算不完。

原因：BP训练本身耗时，NSGA-II每一代都要对每个个体重新训练一遍BP，评估次数等于pop * gen，整体耗时等量放大。如果目标函数里还加了交叉验证，那耗时直接再乘K倍。

解决：先把种群和代数降下来。pop=20、gen=30的配置配合快速训练，一轮能压到十几分钟。再在评估函数里加缓存：以超参数序列作为key，把训练结果存到一个字典或者全局变量里，同一组超参数被重复评估时直接读缓存。NSGA-II的交叉变异会产生大量重复超参数，缓存命中率通常能到30%以上。实在要精细搜索，用两阶段策略——先用小规模种群粗筛，把Pareto前沿附近的区域找出来，再在局部用细网格或小步长变异跑一轮。

5.5 测试集误差放大：归一化与反归一化不一致

现象：验证集MSE显示0.01，测试集MSE却是0.15，差了十几倍。单独看某个输出列的预测曲线，整体形状对但幅值整体偏小。

原因：最常见的是反归一化时用错了映射参数。假设训练时输出的归一化范围是[-1, 1]，反归一化必须用psY的原始映射关系。如果用测试集的输出值自己又做了一次mapminmax，那预测值和真实值的尺度就对不上。另一个原因是数据划分不当——训练集和测试集的时间段分布差异大，模型没见过测试集所在区间的数据特征。

解决：测试集评估时用训练集保存的psY做反归一化，坚决不做第二次mapminmax。代码上这样写：

Y_pred = sim(final_net, X_test_n); Y_pred_real = mapminmax('reverse', Y_pred, psY); Y_test_real = mapminmax('reverse', Y_test_n, psY); test_mse = mean((Y_pred_real - Y_test_real).^2, 'all');

这里Y_pred用的必须是归一化后的输出，Y_test_n也是归一化后的真实值，两者反归一化时都用psY，尺度就对齐了。如果误差仍然很大，去画每个输出列的误差分布直方图，看到底是哪一列输出拉高了总误差，再针对那一列单独加权重。

6. 进阶用法：把Pareto前沿变成工程决策表再下线

6.1 用TOPSIS在Pareto前沿上选一个敢上线的解

Pareto前沿上一般有七八个非支配解，直接拍脑袋选一个不够严谨。我习惯用TOPSIS把多目标转成综合得分。对两个目标分别做正向化处理——MSE和复杂度都是越小越好，所以直接取倒数或取反，然后归一化，再按欧氏距离计算每个解到理想解和负理想解的距离，最终得分越高越优先。MATLAB里这段逻辑十几行就能写完，跑完输出一张表：每个解的隐层节点数、学习率、正则化系数、验证集MSE、综合排名。

选出的折中解再拿到测试集上做滚动预测验证。所谓滚动预测是指把测试集按时间窗口切成长度固定的段，每段用模型预测后半段，然后窗口滑动，最后统计所有预测误差的均值。这个方法能看出模型在连续时间上的稳定性，避免只靠一个全局MSE被极端值带偏。

这张表是典型的三方案对比。固定隐层是基线；SSA-BP把误差压到最低但网络偏胖；NSGA-II折中解牺牲了0.005的MSE换来了模型规模减半，测试集上还更稳。在业务现场，我通常会选折中解，除非那个场景对预测精度的要求已经是“差0.01就停机”的程度。

一个更高级的玩法是把SSA-BP的解作为NSGA-II种群的初始个体之一塞进去，让Pareto前沿的端点自带一个强有力的候选。这样NSGA-II的搜索起点就不是纯随机，前沿的覆盖范围会更完整。我现在拿到这类多输入多输出预测任务，第一件事都是先跑SSA-BP拿到误差下界，再用NSGA-II画权衡曲线，最后把折中解拉到测试集上做滚动验证，没有绝对最优解，只有你能接受的误差和复杂度。希望帮到你。

本文还有配套的精品资源，点击获取