4. 参数体系总览：算法参数分类与影响矩阵

在智能寻源中标场景中，算法参数是控制模型行为、平衡探索与利用、决定收敛速度与最终中标率的核心旋钮。本章从工程视角对参数进行系统分类，并构建参数影响矩阵，帮助你在调试时快速定位关键杠杆。

4.1 算法参数四大分类

根据参数在算法迭代中的角色与更新方式，可将寻源中标算法的参数划分为以下四类：

4.2 参数影响矩阵

参数影响矩阵用于量化每个参数对中标率、收敛速度、计算开销和鲁棒性的影响程度。以下矩阵基于典型寻源场景的实测数据归纳，★ 越多表示影响越大。

4.3 参数分类与影响关系图

下图展示了四类参数在算法流程中的位置及其对关键指标的影响路径：

4.4 参数调试优先级策略

基于影响矩阵，推荐以下调试顺序：

1. 锁定阈值参数：先设定中标概率阈值和淘汰线，确保决策边界合理。
2. 粗调权重参数：使用业务经验或贝叶斯优化，确定供应商评分、成本、交期等权重的合理范围。
3. 调整学习率：采用学习率调度器（如余弦退火），观察损失曲线是否平滑下降。
4. 确定迭代次数：使用早停法，避免过拟合和无效计算。

4.5 参数配置示例（JSON）

以下是一个典型的中标场景参数配置片段，展示了四类参数的实际赋值：

{
  "weights": {
    "supplier_score": 0.45,
    "cost_weight": 0.30,
    "delivery_weight": 0.15,
    "quality_weight": 0.10
  },
  "thresholds": {
    "win_probability": 0.65,
    "elimination_line": 0.30,
    "similarity_gate": 0.85
  },
  "learning_rate": {
    "initial": 0.01,
    "decay_rate": 0.95,
    "momentum": 0.9
  },
  "iterations": {
    "max_epochs": 200,
    "early_stop_patience": 10,
    "batch_size": 64
  }
}