请帮我用keras编写一个简单的全连接神经网络，用来训练一组简单的任意散点，是回归问题，在神经网络中加入pso算法对超参数进行优化，要优化的超参数包括隐藏层层数，每层神经元个数，学习率。

下面是一个简单的全连接神经网络，使用Keras编写，用于训练一组简单的任意散点。同时，我们使用PSO算法对超参数进行优化，包括隐藏层层数，每层神经元个数和学习率。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.optimizers import Adam
from pyswarm import pso

# Generate some random data
x = np.random.rand(100, 2)
y = np.sum(x, axis=1)

# Define the model
def create_model(n_layers, n_neurons, learning_rate):
    model = Sequential()
    model.add(Dense(n_neurons, input_dim=2, activation='relu'))
    for i in range(n_layers-1):
        model.add(Dense(n_neurons, activation='relu'))
    model.add(Dense(1, activation='linear'))
    optimizer = Adam(lr=learning_rate)
    model.compile(loss='mean_squared_error', optimizer=optimizer)
    return model

# Define the objective function to be optimized by PSO
def objective_function(x):
    n_layers = int(x[0])
    n_neurons = int(x[1])
    learning_rate = 10**x[2]
    model = create_model(n_layers, n_neurons, learning_rate)
    history = model.fit(x, y, epochs=10, verbose=0)
    loss = history.history['loss'][-1]
    return loss

# Define the bounds for the PSO algorithm
lb = [1, 1, -5]
ub = [10, 100, 0]

# Use PSO to optimize the hyperparameters
xopt, fopt = pso(objective_function, lb, ub, swarmsize=10, maxiter=50)

# Train the final model with the optimized hyperparameters
n_layers = int(xopt[0])
n_neurons = int(xopt[1])
learning_rate = 10**xopt[2]
final_model = create_model(n_layers, n_neurons, learning_rate)
final_model.fit(x, y, epochs=100, verbose=0)

在上面的代码中，我们首先生成了一组随机数据 `x` 和 `y`，其中 `x` 是一个 $100\times2$ 的矩阵，`y` 是一个长度为 100 的向量。接着，我们定义了一个函数 `create_model`，该函数用于创建一个全连接神经网络模型，并使用给定的超参数配置对其进行编译。其中，隐藏层的层数和神经元数量由 `n_layers` 和 `n_neurons` 控制，学习率由 `learning_rate` 控制。

然后，我们定义了一个函数 `objective_function`，该函数用于计算模型在给定超参数下的损失。我们使用该函数作为 PSO 算法的目标函数来优化超参数。最后，我们使用 `pso` 函数从给定的上下界范围内寻找最优超参数，并使用最优超参数训练最终的模型。

需要注意的是，上述代码仅仅是一个示例，实际使用时需要根据具体问题进行修改和优化。例如，可以考虑使用交叉验证来评估模型的性能，或者使用更复杂的网络结构和正则化方法来提高模型的泛化能力。