粒子群优化（PSO）的参数调整有离线和在线两种方法。在离线方式中，元优化用于通过使用另一个覆盖优化器来调整 PSO 的参数。在在线方式中，有两种技术，即自适应，“包括将部分或全部优化器行为参数添加到搜索空间，从而使它们与手头的问题一起进行优化”。另一种技术是 Meta-Adaptation，“其中一个覆盖优化器试图在优化问题期间以在线方式调整另一个优化器的参数。”
“元优化的概念。黑盒优化器以离线方式用作叠加元优化器，用于寻找另一种优化方法的良好行为参数，进而用于优化一个或多个实际问题。”
在标准 PSO 中，粒子通过使用均匀随机数进行初始化，并且这些粒子使用更新方程进行更新。根据目标函数的最佳值选择最佳解决方案。
在我的工作中。我有两个数据集，训练数据集和理论数据集，我需要使用训练数据而不是随机数来初始化粒子。
在这种情况下，如何使用训练和理论数据集调整 PSO 的参数。
另外，我有一个问题，我在 PSO 的初始步骤中获得了最佳成本，并且在初始步骤中没有参数或更新方程。
是否可以使用机器学习方法调整参数？我怎样才能做到这一点？