El desarrollo de modelos sustitutos basados en datos limitados es crucial para mejorar la velocidad del análisis estructural y la optimización del diseño. Los modelos sustitutos son altamente efectivos para aliviar los desafíos entre las variables de diseño y la evaluación del rendimiento. La Memoria a Corto y Largo Plazo Bidireccional (BiLSTM) es una red neuronal recurrente avanzada que muestra ventajas significativas en el procesamiento de datos secuenciales. Sin embargo, el entrenamiento de BiLSTM implica el ajuste de múltiples hiperparámetros (como el número de capas, el número de unidades ocultas y la tasa de aprendizaje), lo que complica el proceso de entrenamiento del modelo. Para mejorar la eficiencia y precisión del desarrollo de modelos de redes neuronales, este estudio propone una estrategia de establecimiento de BiLSTM asistida por el Algoritmo de Optimización de Ballenas Mejorado (IWOA-BiLSTM). El nuevo algoritmo mejora el diseño de la población inicial y el proceso de actualización de la posición de la población del Algoritmo de Optimización de Ballenas original (WOA), mejorando así la capacidad de búsqueda global y la capacidad de explotación local del algoritmo. El IWOA se emplea durante el proceso de entrenamiento de BiLSTM para buscar hiperparámetros óptimos, lo que reduce el tiempo de entrenamiento del modelo y mejora la robustez y precisión del modelo. Finalmente, la eficacia del modelo se prueba a través de un problema de optimización de parámetros de un circuito analógico específico. Los resultados experimentales indican que, en comparación con los modelos tradicionales de redes neuronales, IWOA-BiLSTM demuestra una mayor precisión y eficacia en el diseño óptimo de parámetros de problemas de ingeniería de circuitos analógicos.