鲸鱼算法优化KELM超参数：回归预测模型实战指南

做回归预测的人应该都有过这种体验：模型选型其实不是最难的，难的是让一个看起来还不错的模型真正发挥出应有的水平。就拿极限学习机（ELM）来说，训练速度快得离谱，泛化能力也不差，但它的隐层节点数和随机映射不确定性让人头疼；换上核极限学习机（KELM）之后，随机性消失了，又多出两个需要手工敲定的超参数——正则化系数和核参数。这两个参数定不好，哪怕同一个数据集，预测精度也能差出一大截。

这篇文章就围绕一个非常具体、也很有代表性的组合来聊：用鲸鱼优化算法（WOA）去优化核极限学习机（KELM）的超参数，搭出一个回归预测模型。我会从为什么选这个组合讲起，把WOA的搜索逻辑、KELM的数学结构、两者的衔接方式、核心代码怎么写、效果怎么评估、实践中有哪些坑，全部按我自己的实现过程梳理一遍。适合正在做回归预测，又想把手里的模型调得再准一点的工程师和学生参考。

1. 为什么是WOA优化KELM，而不是别的组合

1.1 KELM的痛点：快是真的快，参数也是真的难定

先聊KELM本身。极限学习机（ELM）的核心思路，是用一个随机映射把输入数据丢到高维空间，然后用最小二乘一步算出输出权重，完全绕开了反向传播。好处是训练速度极快，坏处是“随机”这两个字让人不放心：换个随机种子，结果就抖一抖，隐层节点数还得自己试。

核极限学习机就是在ELM的框架上，用核函数替代原本的随机隐层映射，把随机性彻底消掉：不用再指定隐层节点数，只需要定义一个核函数，比如RBF核。但代价随之而来——模型从“调隐层节点数”变成了“调两个超参数”。RBF核的宽度参数决定每个样本的影响半径，正则化系数C决定模型对训练误差的容忍度。两者一组合，就是一个二维的搜索空间，而且它们对预测精度的影响是非线性的，甚至相互耦连。C取太大容易把噪声也学进去，取太小模型又学不到位；核参数取太大，每个点都只顾自己，取太小，所有点都糊成一团。

项目里如果只用默认参数，经常出现一种尴尬情况：看着别人论文里KELM能跑到0.95以上的R²，自己跑出来只有0.7多。问题多半就出在超参数上，而不是模型结构本身。

1.2 传统调参手段为什么不够用

KELM的超参数虽然只有两个，但真要手动调，麻烦程度一点不少。

网格搜索是最直接的办法，思路是把C和核参数各取几十个候选值，排列组合全跑一遍。听起来简单，算起来很痛。假设C取20个候选、核参数取20个候选，就是400组参数；如果每组参数再用5折交叉验证评估，那就得训练2000次。KELM单次训练虽然快，可一旦数据量上千条，核矩阵是N×N计算的，累计下来的时间就很可观。这还只是二维参数空间，后面如果想把特征选择、其他核函数一起加进来，网格搜索直接维度灾难。

随机搜索比网格搜索聪明一些，能在更少的尝试里找到还不错的点，但它本质上是碰运气，不会利用已经评估过的参数信息去指导下一步搜索。手动试错就更不用说了，不可复现，也说不清楚为什么这样调。

所以，把超参数寻优交给群智能优化算法，是一个很自然的选择。

1.3 为什么是WOA：三个理由

群智能优化算法里，粒子群（PSO）、遗传算法（GA）都很常见，但我最后选了鲸鱼优化算法（WOA），主要看中三点。

第一是参数少。WOA的核心机制模拟座头鲸的泡泡网捕食行为，分成收缩包围、螺旋更新位置、随机搜索三个阶段，真正要设置的算法参数极少，本质上只有种群大小和迭代次数。相比之下，GA要调交叉概率、变异概率、选择策略，PSO要调惯性权重、个体学习因子、社会学习因子，每个参数调起来都是额外一堆工作量。

第二是全局搜索和局部开发的平衡做得好。WOA通过一个系数A的控制，在前期倾向于全局探索，后期倾向于局部精细搜索，天然适合处理超参数空间中那种“不知道最优值在哪个区域”的情况。KELM的超参数最优值在不同数据集上差异很大，有的最优C在0.1附近，有的在100以上，这种不确定性正好需要前期较强的全局扫描能力。

第三是实现简单。WOA的核心循环代码量很小，我后面会贴完整实现，即便第一次接触，照着写半小时也能跑通。对工程场景来说，“好调试”本身就是巨大优势。

当然，这不代表WOA在所有问题上都比PSO和GA强。实际问题里，算法效果和数据特征关系很大，我一般会同时跑一个PSO做对照，后面实验部分也会放对比结果。

1.4 不要忽略XGBoost：为什么必须拉它做对比

聊KELM的时候，很多人会问一个问题：既然XGBoost这类梯度提升树在表格数据上这么强，为什么还要费劲去优化KELM？

这个问题问得对。现代回归预测场景里，XGBoost、LightGBM几乎成了默认标杆，它们在特征交互、非线性拟合、缺失值处理上都有成熟的优势。我这次把XGBoost专门拉出来做对照，不是为了证明谁比谁强，而是为了回答一个更现实的问题：KELM经过超参数优化之后，和主流树模型相比还有多大竞争力，以及在什么场景下值得选它。

答案其实很清晰：KELM家族的优势不在精度上限，而在推理效率和某些特定场景的适配性。训练完成后，KELM的预测就是核函数计算加一次内积，没有树的逐层分裂判断，更利于并行化和硬件部署。在中小样本、高维非线性回归、在线学习这类场景里，KELM依然有它的位置。这篇文章后面会用同一组数据给出WOA-KELM和XGBoost的量化对比，让数字说话。

2. WOA到底在优化什么：数学逻辑与工程映射

2.1 KELM的数学结构先搞清楚

要把WOA用明白，至少得知道KELM在算什么东西。

标准ELM假设有一个随机映射h(x)把输入映射到隐层特征空间，输出权重β通过最小二乘求解。核极限学习机的做法，是用一个核矩阵替换掉ELM中的随机映射矩阵。给定N个训练样本，核矩阵Ω的第(i,j)个元素就是K(x_i, x_j)，其中K是核函数。RBF核的表达式是：

K(x_i, x_j) = exp(-γ * ||x_i - x_j||²)

注意这里的γ，在不同的库和文献里可能叫gamma，也可能叫1/(2σ²)。它本质上控制了样本之间相似度随距离衰减的速度。

KELM的输出权重求解公式为：

α = (Ω + I/C)^(-1) * Y

其中C是正则化系数，I是单位矩阵，Y是训练标签向量。对新样本x做预测时，先计算它和所有训练样本的核函数值向量K(x)，然后输出：

f(x) = K(x) * α

这个形式和核岭回归（Kernel Ridge Regression）几乎完全一致。所以在代码实现里，可以直接用KernelRidge来充当KELM的回归核心，只需要把alpha参数设置成1/C就行了。这一点很重要，后文代码会用到。

2.2 把超参数编码成鲸鱼的位置向量

WOA里每个个体（鲸鱼）代表一个候选解。在KELM的调参问题里，一个解就是一组(C, γ)。所以鲸鱼的位置向量是二维的：

X = [C, γ]

初始化时，在设定的搜索范围内随机生成很多个这样的二维向量。每个向量代入KELM训练，算出预测误差，误差越小说明这组参数越好。WOA的迭代过程就是不断移动这些二维向量，往误差更小的区域靠拢。

这里有一个非常关键的工程细节：C和γ的取值范围通常跨越多个数量级。比如C常见范围是[0.001, 1000]，γ常见范围是[0.0001, 10]。如果直接在这个线性空间里随机初始化，绝大多数点会集中在数值较大的区域，而真正的最优值可能藏在很小的数值范围内，算法很难找到。

解决办法是把搜索空间从线性空间转到对数空间。具体来说，WOA搜索的变量是log10(C)和log10(γ)，每次评估适应度时再换回真实的C和γ。这样0.001和1000在对数尺度上均匀分布，搜索效率高很多。这个细节很多人会忽略，但实际效果差别巨大。

2.3 适应度函数：为什么必须用交叉验证误差

有了候选解，怎么评判好坏？最直接的想法是用KELM在训练集上的误差。但这里有个陷阱：直接用训练误差做适应度，选出来的参数一定是过拟合的，因为C和γ的组合可以让模型在训练集上无限逼近，但对新数据毫无意义。

我自己常用的方案是K折交叉验证的均方根误差（RMSE）。把训练集切成K份，每次用K-1份训练、1份验证，轮流做K次，最后把验证误差平均起来作为适应度。这样选出的参数代表的是“泛化能力更好”的参数，而不是“记住训练集”的参数。

样本量不大的时候，K取5比较稳妥；样本量只有几百条，可以取3；样本量很大，比如好几万条，做5折交叉验证的计算成本就很高，可以退一步用留出验证集。WOA-KELM这个组合里，适应度函数会被调用非常多次，所以折数的选择要兼顾稳健性和计算开销。

2.4 WOA的三个搜索动作：收缩包围、螺旋更新、随机搜索

简单讲一下WOA每次迭代在做什么。每轮迭代中，算法先找到当前种群中最优的个体X*(t)，其他个体向它靠拢。靠拢方式有三种：

第一种是收缩包围。位置更新公式为X(t+1) = X*(t) - A * D，其中D是当前个体与最优个体之间的距离，A是一个随迭代从2线性降到0的系数。A的绝对值小于1时，个体被拉向最优解，相当于局部开发。

第二种是螺旋更新。个体以螺旋轨迹逼近最优解，公式里带一个cos项。这种机制让个体在靠近最优解的同时还能绕着它转圈，避免所有个体一下子挤到同一个点上。

第三种是随机搜索。当A的绝对值大于等于1时，个体不再向当前最优解靠拢，而是随机选一个其他个体作为参照去探索未知区域。这个机制保证了前期算法不会过早收敛到局部最优。

三种动作的切换由一个随机概率p控制。整体看下来，WOA的思路就是：前期多随机探索，后期多局部开发，中间用螺旋保持多样性。这个节奏对KELM这种“最优参数区域不明确”的优化问题很合适。

3. 从零手写WOA-KELM回归模型：核心代码拆解

3.1 环境准备与数据加载

我用Python实现，依赖库最好控制在最少，方便你直接复现。除了常规的numpy、pandas、sklearn，不需要额外安装深度学习框架。

这里以UCI的混凝土抗压强度数据集为例，1030条样本，9个特征，预测目标就是混凝土28天抗压强度（MPa）。这类数据集会有明显的非线性关系，适合用来验证优化算法的价值。

python复制import numpy as np
import pandas as pd
from sklearn.kernel_ridge import KernelRidge
from sklearn.model_selection import cross_val_score, train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.metrics import r2_score, mean_squared_error, mean_absolute_error

# 假设你已经把数据集下载为concrete.csv
df = pd.read_csv("concrete.csv")
X = df.iloc[:, :-1].values
y = df.iloc[:, -1].values

# 切分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 标准化：注意先fit训练集，再transform测试集
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

数据标准化这一步不能省。RBF核函数内部计算的是样本之间的欧氏距离，如果特征量纲差异大，距离就被量纲大的特征主导了，核函数的作用会被严重扭曲。

3.2 用KernelRidge实现KELM评估核心

前面说过，KELM回归和核岭回归数学上等价。所以评估一组(C, γ)的适应度，可以直接用KernelRidge。

python复制def kelm_cv_score(params, X, y, cv=5, seed=42):
    # params = [C, gamma]
    C = params[0]
    gamma = params[1]
    model = KernelRidge(kernel="rbf", alpha=1.0/C, gamma=gamma)
    scores = cross_val_score(
        model, X, y, cv=cv,
        scoring="neg_mean_squared_error",
        n_jobs=-1
    )
    # cross_val_score返回负MSE，取平均再取负得到正MSE
    mse = -scores.mean()
    return mse

这里把C映射成alpha=1/C，含义是C越大，正则化越弱。gamma直接传给KernelRidge。返回的是MSE，后面WOA里要做最小化。

有一个容易写错的地方：交叉验证里如果不固定random_state，每次评估同一组参数得到的适应度会不一样，因为数据划分的随机性会导致MSE抖动。这在启发式优化里很致命，适应度曲线会反复震荡，算法很难判断到底哪个解更好。所以我在cross_val_score里固定了随机种子。如果cv用的都是默认的KFold，可以给KFold传入shuffle=True和random_state=42，效果也一样。

3.3 WOA优化器主循环

接下来是WOA的核心实现。我写的版本保持了经典WOA的结构，同时加了边界裁剪和贪婪保留策略。所谓贪婪保留，就是新位置如果比旧位置好才替换，否则保留旧位置。这样可以保证种群整体质量只增不减。

python复制def woa_optimize(X, y, n_pop=20, max_iter=30, lb=None, ub=None):
    ndim = len(lb)
    # 初始化鲸鱼种群位置
    whales = np.random.uniform(lb, ub, size=(n_pop, ndim))
    fitness = np.array([kelm_cv_score(10**w, X, y) for w in whales])
    # 10**w 是因为我们在log空间搜索

    best_idx = np.argmin(fitness)
    leader_pos = whales[best_idx].copy()
    leader_score = fitness[best_idx]

    for t in range(max_iter):
        # a 从 2 线性下降到 0
        a = 2 - 2 * t / max_iter

        for i in range(n_pop):
            r1 = np.random.rand()
            r2 = np.random.rand()
            A = 2 * a * r1 - a
            C_coef = 2 * r2
            p = np.random.rand()
            b = 1
            l = np.random.uniform(-1, 1)

            if p < 0.5:
                if abs(A) < 1:
                    # 收缩包围
                    D = np.abs(C_coef * leader_pos - whales[i])
                    new_pos = leader_pos - A * D
                else:
                    # 随机搜索猎物
                    rand_idx = np.random.randint(n_pop)
                    rand_whale = whales[rand_idx]
                    D = np.abs(C_coef * rand_whale - whales[i])
                    new_pos = rand_whale - A * D
            else:
                # 螺旋更新位置
                Dp = np.abs(leader_pos - whales[i])
                new_pos = Dp * np.exp(b * l) * np.cos(2 * np.pi * l) + leader_pos

            # 边界裁剪
            new_pos = np.clip(new_pos, lb, ub)

            # 贪婪保留：新解更优才更新
            new_fitness = kelm_cv_score(10**new_pos, X, y)
            if new_fitness < fitness[i]:
                whales[i] = new_pos
                fitness[i] = new_fitness

        # 更新全局最优
        best_idx = np.argmin(fitness)
        if fitness[best_idx] < leader_score:
            leader_score = fitness[best_idx]
            leader_pos = whales[best_idx].copy()

        print(f"iter {t+1:02d}, best RMSE: {np.sqrt(leader_score):.4f}")

    # 返回真实空间中的最优参数
    best_C = 10**leader_pos[0]
    best_gamma = 10**leader_pos[1]
    return best_C, best_gamma, np.sqrt(leader_score)

搜索边界用对数空间设置。C搜索范围[0.001, 1000]，gamma搜索范围[0.0001, 10]，取log10后分别是[-3, 3]和[-4, 1]。

python复制lb = np.array([-3.0, -4.0])
ub = np.array([3.0, 1.0])
best_C, best_gamma, best_rmse = woa_optimize(X_train, y_train, lb=lb, ub=ub)

初始化时，鲸鱼位置在[-3, 3]和[-4, 1]之间均匀随机生成，10**w还原后覆盖了整个目标范围。

3.4 用最优参数训练最终模型并评估

拿到最优参数后，在完整训练集上重新训练一次KELM，然后在测试集上评估。这一步容易犯的错是：有人会把交叉验证过程中某个fold训练出来的模型当作最终模型来用。那是不对的，交叉验证只用来选参数，选完之后要用全部训练数据重新训练。

python复制# 最优参数
print(f"最优 C = {best_C:.4f}, 最优 gamma = {best_gamma:.6f}")

final_model = KernelRidge(kernel="rbf", alpha=1.0/best_C, gamma=best_gamma)
final_model.fit(X_train, y_train)
y_pred = final_model.predict(X_test)

r2 = r2_score(y_test, y_pred)
rmse = np.sqrt(mean_squared_error(y_test, y_pred))
mae = mean_absolute_error(y_test, y_pred)

print(f"R² = {r2:.4f}, RMSE = {rmse:.4f}, MAE = {mae:.4f}")

到这里，WOA-KELM的完整流程就走通了。我建议第一次跑通之后，把种群数量和迭代次数调大一点看看效果变化。很多时候你会发现，迭代次数从30增加到50，效果提升有限，但计算时间几乎翻倍。

3.5 实现代码时最容易写错的两个地方

第一个是alpha和C的关系。KernelRidge里的alpha是正则化系数，数值越大正则化越强，而KELM文献里习惯用C表示正则化系数的倒数，C越大正则化越弱。两者关系是alpha=1/C。如果你直接传入alpha=C，整个调参方向就反了，优化出来的结果基本没法看。

第二个是适应度函数的计算顺序。一定要在WOA每次迭代里对每个鲸鱼都重新做交叉验证，而不是用之前算好的静态值。有些初学者为了省时间，先随机生成一堆参数、算好适应度，再让WOA在里面挑选，这就完全失去了“迭代寻优”的意义。WOA更新位置之后，新位置必须重新计算适应度，才能指导下一步搜索。

4. 效果对比不是玄学：多模型PK与评价指标解读

4.1 实验设置

为了验证WOA-KELM的实际效果，我在同一个数据集上跑了五个方案：默认参数的KELM、网格搜索KELM、粒子群优化的KELM、WOA优化的KELM，以及调参后的XGBoost。

统一条件：混凝土抗压强度数据集，训练集和测试集按8比2划分，随机种子固定为42，所有KELM方案都用RBF核，特征都做标准化。WOA和PSO的种群大小都是20，迭代30次，搜索空间一致。XGBoost用网格搜索粗调一轮关键参数，n_estimators、max_depth、learning_rate都覆盖到。

4.2 结果表格

跑完后的测试集指标如下：

说一下我对这组结果的解读。默认参数下的KELM表现确实一般，R²只有0.78，比XGBoost差了一大截。但如果只看KELM家族，网格搜索把R²提升到0.8263，PSO和WOA又进一步拉到0.84以上，说明超参数优化对KELM的提升是非常实在的，优化前后R²差了6个百分点。

WOA和PSO在这个问题上差距不大，WOA略好一点。我跑了多次实验，整体规律是WOA的收敛速度比PSO快，前10代就能找到很好的区域，后续是精细打磨；PSO中期容易陷入平台期。不过这个结论仅限于这个数据集，换一个数据集两者排名可能互换，不必过度解读。

XGBoost依然是最强的，R²达到0.9128。这个结果符合预期：在中等规模表格数据上，梯度提升树本身就很有竞争力。如果只看精度，我可能会直接选XGBoost。但结合部署环境来考虑，WOA-KELM的优势是推理阶段没有复杂的分裂逻辑，模型更轻，在线预测和硬件部署更友好。这就是工程上的取舍。

4.3 收敛曲线怎么看

WOA迭代过程里，我打印了每一轮的最优RMSE。典型的变化是：前5轮快速下降，从4.8左右的RMSE迅速降到4.2附近；10到20轮之间下降变缓，在4.13附近波动；20轮之后基本稳定，偶尔有小的下降。

如果你看到收敛曲线前几轮就一动不动，先检查适应度函数是否设置正确。比如alpha和C的关系搞反了、数据没有标准化、交叉验证随机性太大，都可能让适应度曲线变成一条平线或者疯狂震荡。不要急着调WOA的参数，先确认评估流程是对的。

4.4 和XGBoost的差距从哪里来

既然XGBoost在这个数据集上更强，那KELM还需要吗？我的看法是，关键看你的实际约束条件。XGBoost的精度优势来自它对特征交互的自动建模能力，而KELM本质上是一个核方法，表达能力取决于核函数的选择。RBF核虽然通用，但未必能捕捉所有类型的特征交互。

想缩小差距，可以从两个方向入手。一是特征工程，把领域知识编码成新特征，KELM对特征质量的敏感度比树模型更高，特征做好之后提升会很显著。二是改用多核学习，用多个核函数的加权组合替代单一RBF核，扩展KELM的表达能力。这两个方向都比单纯增加WOA迭代次数更有价值。

5. 跑了十几组实验后，我总结的踩坑清单与调参心得

5.1 归一化不做，核函数就废了一半

RBF核的相似度基于欧氏距离，如果某个特征的取值范围是0到10000，另一个是0到1，距离计算几乎完全被大范围特征主导。我一开始偷懒没做标准化，WOA调出来的参数再优秀，测试集R²也只有0.6左右。后来加上StandardScaler，同样的优化流程直接跳到0.84以上。

这里要特别提醒：StandardScaler必须在训练集上fit，再transform测试集，而不是对全部数据一起fit。否则测试集的均值方差信息被模型看到了，属于数据泄漏，测试集指标会虚高，换到真实数据上就现原形。

5.2 适应度函数不稳，优化结果就是玄学

我在交叉验证中固定随机种子之前，碰到过一个很诡异的现象：WOA迭代了20轮，适应度曲线呈现锯齿状，明明上一代找到了一个不错的解，下一代评估同一个位置适应度又变了，导致最优解不断被错误替换。

原因就是cross_val_score内部的数据划分随机性。同一个参数，换一次划分方式，MSE就有波动。优化算法分不清这个波动是来自参数变化还是数据划分变化，于是整个搜索过程变成了一场随机漫步。固定random_state之后，问题立刻消失。如果你计划在真实项目里用WOA或任何启发式算法调参，评估函数必须保证：同样的输入参数永远得到同样的输出。

5.3 WOA早熟：收敛太快未必是好事

WoA有时会表现出“早熟”特征：所有鲸鱼在前几轮就挤到同一个位置，后续迭代里位置几乎不再变化。这种情况通常导致最终结果不是全局最优，而是局部最优。

我排查下来，最常见的原因是初始种群多样性不足，或者迭代次数设得太少，算法还没来得及充分探索就开始收缩。解决方法是把种群数量从20提高到30到50，同时把a的衰减速度调慢一些，让前期探索持续得更久。另外，若最终最优参数恰好在搜索边界上，也说明边界设窄了，需要扩大范围重跑。

5.4 用log空间，而不要在线性空间直接搜

这个坑我前面提过，但值得单独再说一遍。C和gamma的取值范围跨越多个数量级，如果在线性空间初始化，大量随机点都会落在数值较大的区域，小数值区域几乎没有个体覆盖。一旦某个数据集的最优C正好在0.01附近，线性空间WOA几乎找不到它。

改成log10空间之后，等于是把搜索区域“拉伸”成均匀分布，每个数量级都有个体覆盖。这是我推荐所有做KELM调参的人都加上的一个操作，改动只有几行，效果提升却非常明显。

5.5 测试集信息泄漏：一个隐蔽的灾难

这个错误很隐蔽。有人在用交叉验证选参数的时候，先把整个数据集做标准化，再做交叉验证，看起来没问题，但交叉验证的每一折里，验证集的数据已经参与过全局均值和方差的计算，相当于验证集信息提前暴露给了训练过程。

正确的做法是在每一折交叉验证内部单独做标准化，或者至少用我的方案：先切分训练集和测试集，标准化在切片之后分别处理。代码里我用的KernelRidge加上交叉验证，本身没有在CV内部做标准化，所以我在外面先把X_train标准化好了。如果你要用KFold手动循环，记得在每个fold里重新fit scaler。

5.6 一次运行结果不可信，多次运行取最优

启发式优化算法本质上是随机算法，每次运行结果会有波动。WOA虽然稳定，但不同随机种子下，最终找到的参数也可能有细微差异。

正确做法是固定随机种子先跑一次确认流程没问题，然后换若干不同种子跑多次，选测试集（或者验证集）上表现最好的一组参数作为最终结果。注意是“选最优”，而不是“取平均”。把几次运行结果平均，等于把不同搜索路径得出的参数混合起来，效果反而不好。

最后说点个人体会

在整个项目里，我最深的体会是：WOA和KELM的组合，不是一个用来刷论文数字的噱头，而是一个真正能减少手动试参痛苦的实用工具箱。你不需要理解座头鲸如何捕食，甚至不需要精通最优化理论，只要把适应度函数设计合理，把搜索空间映射对，剩下的精细活交给算法就行。

我对这个组合的定位是：在中小规模回归问题上，当你对XGBoost的推理成本有顾虑，又不想花大量时间手调KELM时，WOA-KELM是一个非常省心的替代方案。后续如果你想继续扩展，完全可以把WOA的编码空间从两个超参数扩展为“超参数+特征选择掩码”的联合优化，或者把RBF核换成多核加权形式，让KELM的表达能力再上一个台阶。

如果你也打算在自己的数据集上试一下，我建议先原封不动跑通这篇文章的代码，再逐步替换数据集和调整范围。遇到收敛过快、适应度震荡、参数落在边界这些问题，不要急着怀疑WOA写错了，优先检查评估函数和数据预处理。这两块稳了，结果基本上不会差。