企业官网建设流程全解析

做多特征拟合预测的活儿，最烦人的往往不是模型本身，而是模型里的那一两个超参数。我前段时间拿广义回归神经网络GRNN做回归预测，训练速度快、小样本表现好，这些都是它的优点，但spread这个参数是真难伺候。后来我用了北方苍鹰优化算法（NGO）来自动优化GRNN的spread，整套NGO-GRNN方案跑下来，省心、稳定、精度也提上去了。这篇文章把整个思路、代码、实验对比和坑完整写出来，给正在折腾GRNN调参或者想用智能优化算法的朋友做个参考。

这个方案适合谁？两类人最合适：一类是做回归预测项目的工程人员和研究生，手里有多特征数据集，想快速搭一个效果不错的预测模型；另一类是刚接触智能优化算法，想找一个“优化算法+神经网络”结合点的入门实例。你说NGO这个算法新，害怕资料少？其实正因为新，它参数少、好复现，拿来跑超参数寻优非常顺手。

1. 项目概述：把这个问题拆开看

1.1 多特征拟合预测是什么场景

多特征拟合预测，说白了就是手头有若干输入特征（比如温度、压力、转速、电流、振动……），要从这些特征去估计一个连续的目标值（比如设备的关键性能指标）。这类问题在生产预测、能耗预测、气象数据回归里到处都是。它的难点不在“用哪个网络”上，而在特征之间的关系到底怎么被建模——很多特征之间不是线性的，甚至互相耦合，这时候就需要一个能捕捉非线性关系的拟合器。

GRNN在这类问题上有个天然优势：它本质上是一个非参数回归模型，不对数据分布做太强的假设，结构简单，训练过程不需要反复迭代更新权重，一次前向计算就能完成。对于几千行以内的中小规模数据集，训练速度几乎可以忽略不计。这也是我一开始选它当预测核心的原因。

1.2 GRNN很好用，但spread是最大痛点

GRNN的优点是：结构简单、训练不需要反复迭代调整权值——它本质上做的是概率密度估计，一次前向计算就能完成“训练”。小数据集上效果特别好，对噪声有一定容忍度。

但它有一个“一颗老鼠屎坏一锅粥”的参数，就是spread（有时候叫sigma或平滑因子）。spread决定高斯径向基函数的宽度。spread太小，每个训练样本的影响范围被限制得很窄，网络对局部细节太敏感，测试样本容易出现尖锐的过拟合；spread太大，样本影响范围互相叠加成了“一锅粥”，预测曲线被抹得很平，欠拟合到像一条直线。最讨厌的是，最优spread没有一个通用公式，数据和特征一换就得重新试。

我最初是靠网格搜索去试spread的，从0.01到2每隔0.05跑一遍，每次训练一个新的GRNN。听起来不算离谱，但实际跑起来很别扭：网格间隔太粗，可能错过最优点；间隔太细，计算量成倍上涨。更烦的是，换一个数据集，这个“最优spread”根本不具备迁移性，必须从头再搜一遍。

1.3 为什么不用PSO和GA，选了NGO

我最早用的其实是粒子群（PSO），后来又试过遗传算法（GA）。PSO效果还行，但迭代后期容易扎堆在局部最优；GA调参项多，交叉概率、变异概率来回试，有点重。后来看到北方苍鹰优化算法（Northern Goshawk Optimization，NGO）的相关文献，思路很有意思：把苍鹰捕猎时的“先追逐、后围捕”两个阶段对应到算法的全局探索和局部开发上。它最大的优点是只有种群数量和迭代次数两个主要控制参数，几乎没有额外参数需要调，这对工程使用来说太友好了。

实测下来，NGO在低维度单变量优化问题（比如只优化一个spread）上收敛速度和精度都不错。而且比起PSO和GA，NGO的代码结构非常清晰，两个阶段加起来差不多30行核心代码，复现起来几乎没有障碍。2022年这篇NGO原始论文在多个标准测试函数上都做了对比，整体表现压过了不少传统算法，这也让我敢于把它用到实际预测任务里。

2. 北方苍鹰优化算法NGO的原理拆解

2.1 北方苍鹰捕猎行为如何映射成数学过程

NGO是2022年提出的一种元启发式算法，灵感来自北方苍鹰捕猎时的行为。它的建模并不复杂：每只苍鹰代表优化问题的一个候选解，猎物的位置代表当前搜索到的好解。整个捕猎过程分成两步：第一步，苍鹰在广阔范围内发现并冲向猎物，搜索范围大、机动性强；第二步，猎物开始逃跑，苍鹰紧追不舍，围绕猎物周围缩小包围圈。这两步分别对应算法迭代中的探索阶段和开发阶段。

这种“先探索后开发”的思路在元启发式算法里不稀奇，稀奇的是NGO把两个阶段建模得很干净。探索阶段完全随机选择猎物，保证了种群多样性；开发阶段围绕当前全局最优做局部搜索，提高了收敛速度。两者通过一个随迭代次数递减的半径参数自然衔接，没有引入额外的权重系数，使用体验明显比那些需要调一堆参数的旧算法友好。

2.2 第一阶段：识别猎物与全局探索

在第一阶段，算法为每只苍鹰随机选一个猎物对象，猎物位置就是当前种群中随机挑选的一个个体位置。计算公式如下：

I = randi([1,2]); % 1或2的随机整数 X_new = X(i,:) + r * (X(randomIdx,:) - I * X(i,:));

其中r是[0,1]之间的随机数。这个公式的意思是：向随机选中的猎物方向步进，同时带一个“后退一点再前进”的随机性（I=2时相当于先远离再靠近），能有效跳出局部区域。如果新位置算出来的适应度更优，就替换旧位置，否则保持原位置。这本质上是全局搜索：种群中的每个个体都会尝试往不同方向探索。

我记得第一次读NGO论文时，看到第一阶段连“当前最优”都没用，觉得有点浪费。后来跑实验才明白，这种随机猎物设计恰恰是为了防止搜索过快聚拢到某个局部区域。GRNN的spread和误差之间的关系在局部区间里可能比较平坦，如果一开始就向某个“看起来不错”的位置集中，很容易错过藏在远处的更优解。

2.3 第二阶段：追击猎物与局部开发

第二阶段模拟猎物逃跑后的追捕。此时苍鹰的搜索要以当前最优解为中心，展开细致的局部搜索。具体实现上，计算一个随迭代增加而减小的半径R：

R = 0.02 * (1 - t / MaxIter); % t当前迭代，MaxIter最大迭代 X_new = X(i,:) + R * r * (X_best - I * X(i,:));

这里的关键是R随时间递减：迭代前期圈子大，保证开发覆盖面广；迭代后期圈子小，收敛到最优解附近精准打磨。两步合起来，正好是“先广撒网，再定点清槽”的节奏，非常符合超参数寻优这种低维度连续优化问题的需要。

第二阶段还有一层容易被忽略的细节：它用的随机数r不是直接取[0,1]，而是在[0, R]之间取值。这就意味着随着迭代推进，苍鹰每次移动的步长整体在缩小。我特别提这一点是因为有些人在复现NGO时会直接写成rand，结果导致后期步长太大，最优解附近反复震荡，收敛曲线最后一段始终压不下去。判断标准也很简单：看收敛曲线是否在后期出现明显平台期并保持稳定，如果不是，优先检查R的实现。

2.4 NGO为什么适合做超参数寻优

超参数寻优跟“找最大值/最小值”本质上是一件事。NGO在两阶段中都只用随机数、随机索引和当前最优位置，没有梯度信息，对非线性、不可导的目标函数都能处理。GRNN的spread和RMSE或R²这类误差指标之间没有解析式，NGO这种黑箱优化器正好对症。再加上它不含像PSO惯性权重那样需要反复试的参数，代码很短、复现门槛低，跑一个回归预测的调参任务绰绰有余。

拿GRNN的spread求解来说，目标函数是“spread数值到验证集误差”的映射，这个函数在一个维度上做搜索，基本呈单峰或者缓变多峰形态。NGO第一阶段负责跳出可疑的局部坑，第二阶段负责在一个坑里快速下潜，两步配合非常高效。我做过的几次实验中，NGO基本都能在二三十次迭代内把有效下界探到。

3. NGO-GRNN整体方案设计

3.1 数据准备与特征处理

我用的示例数据是某工况下多特征回归数据，大致形态是200行、9列，前8列是特征，最后一列是目标值。实际使用时，不管你用的是设备数据、能耗数据还是环境数据，第一步都是统一格式：每行一个样本，特征和目标值分开放。

数据拿到手首先要归一化。我习惯用mapminmax把输入和输出都归一化到[0,1]区间。这一步不是为了提高GRNN精度，而是为了避免某些特征量级太大导致距离计算被个别维度主导。注意：归一化的均值、最大最小值必须只用训练集计算，测试集用同一套参数变换，否则会引入未来信息，评价结果虚高。这点后面会专门再说。

特征数量方面，GRNN对维度有一定敏感性。如果特征很多且彼此相关度高，建议先做相关性筛选或者主成分分析。我做过一次特征从12维降到6维的实验，预测精度不降反升。多特征拟合预测并不是“特征越多越好”，尤其对距离敏感的非参数模型，冗余特征带来的噪声会干扰样本间距离的度量。

3.2 适应度函数与评价指标的选择

NGO优化spread，需要一个适应度函数来判断“这个spread好不好”。常见做法是用交叉验证或者验证集的误差作为适应度。我的方案里，把训练集内部再划出一小部分做验证集，适应度函数返回验证集的均方根误差RMSE。选RMSE而不是R²做适应度，是因为RMSE直接反映误差大小，优化更直观，而且不容易被极端值带偏方向（MAPE在目标值接近0时会爆掉，不建议在这里用）。

这里有一个值得较真的点：验证集和训练集的比例怎么定。我一般从训练集里抽15%做验证集。比例太小，验证集噪声大，适应度波动明显；比例太大，真正参与建GRNN的样本太少，最优spread会失真。工程上15%到25%都是常见选择。如果你想更稳健，可以把“训练集随机切5份、轮流留一份做验证”的五折交叉验证均值当适应度，但代价是每次适应度函数评估要建5个GRNN，整体时间开销变成原来的5倍。

最终模型用训练集整体重新训练，再用测试集计算全部指标。我用四个指标综合评价：

3.3 优化参量与约束边界

这个方案里NGO只需要优化一个参数：GRNN的spread。所以搜索维度dim=1，这也是整个计算量很小的原因。边界我设成[lower bound, upper bound] = [0.01, 2]。这个范围不是随便拍的：spread如果小于0.01，模型几乎变成“记忆库”，只对训练样本有效；如果大于2，在归一化后的数据尺度上已经过于平滑了。当然，如果你发现最优解一直贴在上边界附近，就该扩大范围再跑一次。

很多人问要不要顺便把其他东西也一起优化了，比如特征权重、网络节点数什么的。GRNN没有传统网络层数、节点数这些超参数，最核心的可调项就是spread，所以先把这一个参数讲透就够了。如果后续你想优化输入特征的权重，可以把每个特征的缩放系数也作为优化变量加进去，dim就不止1了，这种扩展方案我会在后面的实操部分提一嘴。

3.4 整体流程与模块划分

整个方案的流程简单说就是四步：数据预处理→NGO迭代寻找spread→用最优spread训练GRNN→测试集评估。模块上也简单，一个NGO主函数、一个适应度函数、一个数据加载部分、一个结果展示部分。这种划分方便替换数据集，也方便把NGO换成其他算法做对比实验。

实际操作的时候，我还会额外做一个“算法对比开关”，比如在配置文件里指定算法是NGO、PSO还是GA，方便一次性跑实验。做过对比实验的都知道，如果每次换算法要去改主程序，再反复运行，时间全都浪费在改逻辑上了。把模块之间的接口留好，换算法只动其中一小块，才是可持续的做法。

4. 核心实现：MATLAB代码逐段拆解

4.1 数据读取与归一化

我用一个data.xlsx存放多特征数据，注意我的代码里归一化均值、范围都来自训练集。

% 读取数据 data = xlsread('data.xlsx'); X = data(:, 1:end-1); % 特征 Y = data(:, end); % 目标值 % 按80% / 20%划分训练测试 n = size(X,1); idx = randperm(n); ntr = round(n * 0.8); trainIdx = idx(1:ntr); testIdx = idx(ntr+1:end); % 归一化：只计算训练集的均值、最大值和最小值 [X_norm, ps_in] = mapminmax(X(trainIdx,:)', 0, 1); [Y_norm, ps_out] = mapminmax(Y(trainIdx,:)', 0, 1); Xtr = X_norm'; Ytr = Y_norm'; Xte = mapminmax('apply', X(testIdx,:)', ps_in)'; Yte_orig = Y(testIdx,:); % 原始尺度，最后反归一化对比用

我第一版代码就犯过错：在归一化之前就划分训练集和测试集，然后分别用各自的mapminmax参数归一化。这样测试集的分布信息在“归一化”环节就被提前用进去了，测出来的指标好看但没意义。后来改成上面这种“训练集定参数、测试集只应用”的做法，才算踩稳。

4.2 GRNN调用和spread的作用方式

MATLAB里用newgrnn创建GRNN网络：

spread = 0.5; % 待优化的平滑因子 net = newgrnn(Xtr, Ytr, spread); % 创建GRNN Yp = net(Xte'); % 预测 Yp = mapminmax('reverse', Yp, ps_out)'; % 反归一化

newgrnn只需要三样东西：输入样本、目标样本、spread。它内部会根据输入样本做径向基函数展开，没有传统意义上的“迭代训练”，所以训练速度快到几乎瞬间完成。每次NGO迭代里要不停创建GRNN，正因为newgrnn足够快，整套优化才能跑得飞快。

反归一化这行千万别忘了。GRNN在归一化后的输出空间里计算，预测出来的是[0,1]区间的值，必须用ps_out还原成原始尺度，否则RMSE、R²这些指标会变得完全没有解释意义。我见过有人把反归一化漏掉，然后用归一化前的真实值去算误差，指标差得离谱还不明原因。

4.3 NGO主循环代码

下面是我整理后的NGO主循环，用于一维连续变量寻优。为了不加额外依赖，我没做复杂的越界操作，只用最朴素的边界截断：

function [bestX, bestF, convergence] = NGO_fit(fun, dim, lb, ub, pop, MaxIter) % 初始化 X = zeros(pop, dim); for i = 1:pop X(i,:) = lb + rand(1,dim).*(ub-lb); end Fit = arrayfun(@(i) fun(X(i,:)), (1:pop)'); [bestF, idx] = min(Fit); bestX = X(idx,:); convergence = zeros(MaxIter,1); for t = 1:MaxIter % 第一阶段：探索 for i = 1:pop k = randi(pop); % 随机选一个猎物候选 I = randi([1,2]); % 随机1或2 r = rand; Xnew = X(i,:) + r * (X(k,:) - I * X(i,:)); Xnew = min(max(Xnew, lb), ub); % 边界截断 newFit = fun(Xnew); if newFit < Fit(i) X(i,:) = Xnew; Fit(i) = newFit; end end % 第二阶段：开发 R = 0.02 * (1 - t / MaxIter); [bestF, idx] = min(Fit); % 刷新当前最优 bestX = X(idx,:); for i = 1:pop I = randi([1,2]); r = R * rand; Xnew = X(i,:) + r * (bestX - I * X(i,:)); Xnew = min(max(Xnew, lb), ub); newFit = fun(Xnew); if newFit < Fit(i) X(i,:) = Xnew; Fit(i) = newFit; end end [bestF, idx] = min(Fit); bestX = X(idx,:); convergence(t) = bestF; end end

这段代码有几个细节我要标注一下。每次迭代第一阶段结束之后，最好刷新一下bestX再进第二阶段，否则第二阶段用的是上一轮的最优解，收敛会慢半拍。边界截断不是最优做法，但对spread这种一维问题够用了。如果你要做高维度问题，建议改成反射越界或者随机重置。

还有一点关于“贪心接受”的逻辑：只有新位置适应度更优才替换。这是标准NGO的做法，好处是收敛稳定，坏处是损失了一部分探索能力。如果遇到收敛过快的情况，可以尝试以一定概率接受较差的解，相当于引入变异机制，但工程上大多数情况不需要。

4.4 适应度函数写法

适应度函数我单独写成m文件，方便更换评价指标：

function rmse = fitness_spread(spread, Xtr, Ytr, Xval, Yval) net = newgrnn(Xtr, Ytr, spread); Yp = net(Xval'); rmse = sqrt(mean((Yp(:) - Yval(:)).^2)); end

这里Xval和Yval是从训练集内部再切出来的一部分验证数据。注意，验证集只用来算适应度，不参与newgrnn的建模。这样可以避免“用训练过的数据评价同一个网络”这种作弊逻辑。实际跑的时候，每一只苍鹰调用一次newgrnn，pop乘以MaxIter次调用下来，总时间完全可接受。

如果你想进一步降低过拟合风险，可以把适应度从“单次验证集RMSE”改成“多次随机划分验证集的平均RMSE”。每次评估要跑多个GRNN，时间变长，但选出来的spread在各种数据切分下都表现稳定。对于样本量很小的数据集，这种稳健性收益还是很明显的。

4.5 主程序整合与结果输出

把前面几块拼起来：

% 训练集内部再划出15%做验证集 valRate = 0.15; ntr2 = length(trainIdx); idxr = randperm(ntr2); valIdx = idxr(1:round(ntr2*valRate)); trIdx2 = idxr(round(ntr2*valRate)+1:end); lb = 0.01; ub = 2; pop = 25; MaxIter = 100; fun = @(s) fitness_spread(s, Xtr(trIdx2,:), Ytr(trIdx2,:), Xtr(valIdx,:), Ytr(valIdx,:)); [bestSpread, bestFit, curve] = NGO_fit(fun, 1, lb, ub, pop, MaxIter); % 用最优spread训练最终模型 net = newgrnn(Xtr, Ytr, bestSpread); Yp = net(Xte'); Yp = mapminmax('reverse', Yp, ps_out)'; % 指标计算 R2 = 1 - sum((Yte_orig-Yp).^2)/sum((Yte_orig-mean(Yte_orig)).^2); RMSE = sqrt(mean((Yte_orig-Yp).^2)); MAE = mean(abs(Yte_orig-Yp)); MAPE = mean(abs((Yte_orig-Yp)./Yte_orig))*100; fprintf('最优spread: %.4f\n', bestSpread); fprintf('R2 = %.4f, RMSE = %.4f, MAE = %.4f, MAPE = %.2f%%\n', R2, RMSE, MAE, MAPE);

写代码的时候别把两组idx搞混。实际工程里我更推荐直接把这套流程封装成函数，数据路径、划分比例、NGO参数全部作为输入项，换数据集只需改参数，不用再动主函数。

5. 实验与对比：数值结果怎么看

5.1 实验配置说明

为了验证NGO-GRNN不是玄学，我把它跟几种常见方案做了对比：固定spread的GRNN、PSO-GRNN、GA-GRNN。所有方案共享同一份训练/测试划分，同一份归一化参数，只是调参算法不同。NGO这边pop=25、MaxIter=100；PSO沿用同样的迭代次数和种群数；GA用二进制编码，交叉概率0.8、变异概率0.01。下表是一次典型运行的输出，数据是某工况多特征回归的实际结果（不同数据会波动，重点是相对趋势）。

你能看到，固定spread哪怕你随手填0.1，R²和误差都明显不如优化过的版本。这不是说GRNN不行，而是说明GRNN对spread极敏感，手动定spread基本靠运气。NGO跑出来的最优spread是0.387，和PSO、GA找到的都不一样，说明这三个算法对这个一维问题的搜索轨迹确实存在差异，最终结果不同也很正常。

5.2 收敛曲线能看出什么

NGO的收敛曲线在迭代前二三十次就快速下降，后面趋于平稳。PSO通常也降得挺快，但后期会有一定概率陷入“原地踏步”，迭代到80次左右还没有新进展。GA因为存在基因变异，曲线常常带有小波动。对我来说，收敛曲线的价值不只是比较最终精度，更是判断算法有没有陷入早熟：如果曲线早早变平且持续很长的平台期，就要怀疑是不是局部最优；如果能出现“阶梯式下降”，说明开发阶段在持续发挥作用。

我在分析收敛曲线时还有一个习惯：同时记录种群里所有个体适应度的分布。如果种群迅速聚拢到一个很小的范围且适应度没有变化，那“探索”基本宣告结束了。NGO第一阶段因为随机选猎物，种群多样性能维持得比PSO好一些，这也是它在小种群下表现更稳的原因。

5.3 预测效果对比

测试集上的散点对比很直观：NGO-GRNN的预测点更贴近45度参考线，而且两端极值处的偏离明显更小。R²从固定spread的0.862提高到0.941，RMSE从12.54降到7.02，相当于把平均误差压掉了接近一半。要注意，这只是一个运行实例，因为NGO和PSO都带随机性，多次运行结果会有波动。严谨的对比应该跑10到30次，比较均值和标准差，再下结论。单次结果好看不算数，多跑几次还能顺便验证算法稳定性。

还有一种更狠的验证方法：直接把测试集换成另一批不同时段采样的数据。如果模型在全新数据前的表现依然稳定，就说明不是对划分的偶然适应。很多初写论文的人喜欢反复换随机种子挑最好结果出来展示，这样单看指标好看，放到线上就不经打。

6. 实操踩坑与问题排查实录

6.1 归一化位置写错，结果“虚高”

这是我遇到的首要大坑。如果对整个原始数据先归一化再划分训练集测试集，测试集的统计信息就被模型“偷看”了。测试误差会漂亮得不像真实水平，但一到线外数据就现原形。正确的做法我前面已经强调：所有归一化参数只来自训练集。排查方法也简单：把测试数据换一批完全没见过的新数据，再看指标掉不掉。掉得厉害，基本可以断定归一化流程有泄漏。

泄漏这个事在对比实验里更隐蔽。如果所有算法都用同一份“泄了漏”的数据，它们之间的相对排名可能还不会乱，但每个算法的绝对值全被高估了。写论文或者做方案汇报时，这种问题会直接毁掉可信度。我现在的习惯是：数据预处理写成一个独立函数，所有实验共用，从流程上杜绝泄漏可能性。

6.2 spread搜索范围怎么定才合理

范围太窄会把最优解卡在边界上，范围太宽则浪费迭代次数。如果最优spread多次都在0.01附近贴着下界，说明你的数据噪声大或者特征之间冗余高；如果都在2附近贴上限，说明数据太干净、信号强，可以考虑放宽上限再试。我在实际项目中遇到过最优spread贴着上限的情况，把上限从2调到5之后，RMSE又往下走了一截。这种判断只能靠多次运行的经验积累，没有捷径。

还有一个细节是GRNN的spread和输入特征量纲有关。如果你用归一化后的输入，那spread的合理范围基本在0.01到2左右；如果你忘了归一化，直接用原始量纲数据训练GRNN，spread的量级必须跟着特征尺度走。曾经有朋友跑完跟我说他的NGO-GRNN效果特别差，我一看代码，原始数据没归一化，spread还是按0.01到2搜索的，等于在错误尺度上找最优，当然找不到。

6.3 种群数量和迭代次数需要多少够用

对于一维spread优化，pop=20到30、MaxIter=100到200完全够用，甚至偏保守。每增加一个优化维度，建议至少增加15到20个种群个体。维度上百那就要考虑NGO是不是合适的选择了。这类算法的复杂度很大程度取决于适应度函数有多慢。GRNN训练快，所以哪怕迭代次数堆到200，整个流程也就几十秒。如果哪天你发现一次实验跑了几分钟，先检查是不是newgrnn在每次迭代里重复创建太多次，而不是一味削减迭代次数。

我在实际项目中会把pop和MaxIter稍微调大一点，比如pop=30、MaxIter=150，因为我的适应度评估很快，多跑一点成本很低。如果你也是做类似“傻瓜式”调参，建议宁可多花几秒时间，也不要省到出现不稳定结果。优化算法的随机性意味着，同样的参数设置跑两次结果可能不同，多给点迭代次数能让最终结果稳定很多。

6.4 特征太多，GRNN表现突然变差

GRNN对特征维度敏感，特征维度高时，距离度量会被无关特征拖累。如果多特征里有明显冗余特征，建议先跑一遍相关性分析，或者用PCA降维后再进GRNN。我这套方案里NGO只优化spread，没有做特征选择，所以特征预处理质量直接影响最终效果。特征与目标的相关性矩阵能帮你快速判断哪些特征是在帮倒忙。

我做过一个对比：一组数据16维特征直接进GRNN，最优spread下R²只有0.87；经过相关性筛选保留8维之后，同样的NGO-GRNN流程R²升到0.93。特征量的减少还让newgrnn的创建速度更快，整体运行时间也缩短了。多特征拟合预测的核心不是把所有特征都塞进模型，而是保留真正有解释力的那部分。

6.5 常见问题速查表

还有一个容易忽略的细节：NGO的种群初始化用rand，如果哪次跑出来的结果特别差，可以先固定随机种子，保证实验可复现。我在做多次对比实验时，会把随机种子、数据划分种子都记录下来，否则一边对比一边复现不了，会把自己绕晕。MATLAB里用rng(2024)这样的命令固定种子，Python里是np.random.seed(2024)，实验报告里把seed写清楚，别人也能复现你的结论。

我个人在实际操作中的体会是，NGO-GRNN这套组合特别适合“快速搭一个不错的预测基线”。它不需要你手动去研究spread的规律，也不用面对传统训练算法一长串参数调来调去。GRNN本身训练快，NGO又只有一个带宽参数，两者加起来上手难度远低于深度学习方案。如果你正在做多特征拟合预测，恰好又被超参数折磨，不妨把这份代码拿去跑一遍，先把基线立起来，再考虑是不是要换成更复杂的模型。

最后再分享一个小技巧：保存结果时把数据集划分索引、随机数种子、NGO参数连同最优spread一起存成一份配置记录，这样后续任何一次结果都有据可查，省掉大量重复调试时间。我在跑过几十次对比实验之后，越来越觉得“可复现”比“效果好”更重要。效果再好，复现不出来，后续想改进都无从下手；反之，只要配置记录清楚，换数据、换算法、换参数，随时都能回到原来的状态继续往前推。