去年帮一个师弟改毕业设计的创新点时遇到一个特别普遍的需求导师丢下一句话“你把蜣螂优化算法改进一下跟四个经典算法对比一下用Matlab把实验跑出来”。这种话听起来好像很简单真正动手才发现遍地是坑——改进点怎么定才有说服力对比算法怎么选才不被人挑刺参数怎么设才算公平数据怎么统计才经得起答辩追问。今天就把我搭的一套TDBO改进蜣螂优化算法对比框架完整拆开讲一遍从原理到Matlab代码到避坑经验一次说透。这套内容适合正在做智能优化算法方向论文、毕业设计或者工作中需要做参数寻优建模的读者。我会把原版DBO的四种行为机制讲清楚把TDBO的三个核心改进点逐一展开再给出与DBO、PSO、GWO、WOA四种算法对比的实验设计思路和Matlab程序框架。看完你不仅能复现出一套可用的对比实验还能搞清楚每一处代码为什么要这么写以后换其他算法也能照着这个思路迁移。1. 先有的鸡还是先有的蛋为什么偏偏在DBO上动手脚1.1 DBO在优化算法里属于哪种“新品种”蜣螂优化算法Dung Beetle Optimizer简称DBO是2022年底提出的一种群体智能算法灵感来自蜣螂屎壳郎滚球、跳舞、产卵、觅食和偷窃这一整套行为。和PSO、GA相比DBO算非常年轻。年轻的意思是两面的一方面它的原始论文引用量还在爬升阶段学术界对它的改进不像对PSO那样卷成红海随便找一个角度就能做出新意另一方面它的机制复杂、耦合度高改不好容易把算法改成四不像反而连原版都不如。1.2 原版DBO让我看不惯的几个地方我用原版DBO跑过不少基准测试最大的感受是这家伙有能力但发挥不稳定。第一初始种群完全靠rand随机生成。随机初始化本身没什么问题但DBO对初始位置的敏感度比PSO高。因为蜣螂角色分工之后一部分个体负责在全局最优附近产卵、觅食如果初始种群分布不均匀这部分的局部搜索很容易从一开始就偏到贫瘠区域去后面再想拉回来很难。第二滚球阶段的位置更新带有较强的“惯性跟随”色彩通俗说就是容易沿着老路一直走下去。这在单峰函数上表现尚可但在Rastrigin、Ackley这类多峰函数上一旦陷入某个局部谷底跳舞机制的随机正切修正力度又有限经常会出现“在原地打转”的情况。第三算法后期收敛速度衰减很快。迭代到后半段繁殖和觅食的动态边界逐渐收缩种群多样性会肉眼可见地下降所有个体都往当前最优位置挤。对低维问题可能问题不大一上30维、50维就经常出现收敛精度卡在某个量级上不去的情况。1.3 标题里的TDBO到底改了什么先说明一下不同文献里叫TDBO的改进版本含义不太一样有人用Tent混沌映射初始化有人用t分布变异扰动有人两者都做。我这次采用的是最常见的组合路线Tent混沌映射初始化 自适应惯性权重 动态变异扰动把三处改动叠到一起形成一套完整的改进策略。“T”取Tent混沌映射的含义缩写出来就是TDBOTent-based DBO。这套组合不是拍脑袋想的。Tent映射解决初始种群分布问题惯性权重解决探索和开发的平衡问题变异扰动解决局部最优卡死问题三个问题正好对应我上面说DBO的三个毛病。创新点之间没有重叠写论文、做汇报时逻辑线也清晰。2. 原版DBO的四种行为机制到底在优化里扮演什么角色想改进一个算法前提是真正理解它。DBO表面看是模仿蜣螂行为本质上还是在做“种群划分差异化搜索”。2.1 滚球行为全局探索的第一梯队蜣螂把粪球滚走时需要保持直线前进借助天体导航。数学化之后滚球蜣螂的位置更新大致可以写成x_i(t1) x_i(t) lambda * k * x_i(t-1) k * delta_x这里k是偏转系数控制单步位移幅度取值范围一般落在(0, 0.2]lambda是随机扰动让步长带随机性。delta_x是当前位置与某个参考位置的差异项实际实现中不同论文写法略有出入核心思想都是用“上一时刻的位置变化信息”影响“当前时刻的走向”让蜣螂保持方向惯性。这个行为对应的就是算法前期的全局探索迈开步子四处跑先摸清搜索空间的大致地形。2.2 跳舞行为撞墙之后的重新定向蜣螂遇到上坡或障碍物时会站上粪球“跳舞”重新判断方位。在DBO里对应的是正切函数修正策略——当太阳光照不好、无法直线前进时用带正切形式的随机方向替代原方向。x_i(t1) x_i(t) tan(theta) * |x_i(t) - x_i(t-1)|theta是[0, pi]随机角度正切值可能很大也可能很小这相当于给当前个体一次“跳跃或者微调”的选择机会。但原版这个随机性太强完全没有方向的偏好这也是我后面要加入惯性权重修正的原因之一。2.3 产卵行为局部开发的核心手段雌性蜣螂会把卵产在安全区域在DBO中“安全区域”被定义为当前全局最优位置X_best附近的一个动态收缩区域。产卵区域的边界按迭代次数动态调整R 1 - t / MaxIter Lb max(X_best * (1 - R), Lb) Ub min(X_best * (1 R), Ub)产卵的蜣螂在曲线边界Lb和Ub围成的区域内随机生成新解。迭代前期R接近1区域大相当于围着当前最优做粗粒度搜索后期R接近0区域收缩变成细粒度精搜。这套动态边界设计是DBO的精华改进时一定不能动辄推翻重来破坏这个机制会连原算法的优势一起丢掉。2.4 觅食与偷窃行为双路径竞争觅食行为是在全局最优附近建立类似的动态觅食区域让一部分蜣螂持续在优势区域挖掘。偷窃行为则模拟小偷蜣螂抢别人的粪球在全局最优位置附近进行较大步长的随机采样相当于引入竞争机制相当于给种群提供了跳出当前区域的备选方案。四种行为在种群内部的角色分配比例是DBO作者已经调好的滚球舞蹈占主要部分产卵、觅食、偷窃各占一部分。实际跑代码时你会发现如果改动角色比例算法表现反而变差这就是机制耦合度高导致的。我的TDBO保留了角色分配结构只对位置更新公式和初始化方式动手逻辑要稳得多。3. TDBO的三个关键改动从初始化到跳出局部最优3.1 改动一Tent混沌映射初始化种群原版DBO用rand随机初始化个体容易扎堆。我改用Tent混沌映射生成初始位置核心代码是这样的% Tent混沌映射生成初始种群 % pop_size: 种群大小, dim: 决策变量维度 % lb, ub: 变量下界和上界 X(1, :) rand(1, dim); % 第一个个体用随机数起步 for i 2:pop_size for j 1:dim if X(i-1, j) 0.5 X(i, j) 2 * X(i-1, j); else X(i, j) 2 * (1 - X(i-1, j)); end end end % 将混沌序列映射到搜索空间 for i 1:pop_size X(i, :) lb (ub - lb) * X(i, :); endTent映射生成的序列在[0,1]区间内遍历比纯随机序列的均匀性更好。它有一个已知问题当值恰好落在0.5时序列会退化到固定点0所以实现时要检测并避开0.5这个陷阱值可以在生成后判断如果等于0.5就加一个极小随机扰动。初始种群覆盖均匀后续产卵、觅食的动态区域就能落在更有希望的区域从源头上减少早期“跑偏”的概率。对于30维以上的高维问题这个改动的效果尤其明显。3.2 改动二自适应惯性权重修正滚球步长原版滚球公式中k和lambda全程没有随迭代次数变化。我加入一个线性衰减的惯性权重ww w_max - (w_max - w_min) * t / MaxIterw_max取0.9w_min取0.4。滚球行为的位置更新变成x_i(t1) w * x_i(t) lambda * k * x_i(t-1) k * delta_x这个改动的逻辑和PSO里的惯性权重是一致的迭代前期w偏大蜣螂的历史位置对下一步影响大保持大步探索的粗放状态迭代后期w变小历史位置的惯性约束减弱蜣螂更容易在当前区域附近精细游走。一句话总结就是“前期跑得开后期钻得深”。3.3 改动三动态变异扰动防止局部最优卡死基准函数里最考验算法的是多峰函数Rastrigin这种函数局部最小点密密麻麻算法极容易在某个山峰之间的凹槽里提前收敛。只靠DBO本身的偷窃行为跳出局部最优力度不够稳定。我在TDBO里加了动态变异扰动每隔一定迭代次数比如每5代对当前全局最优解执行一次变异尝试以一定概率用变异结果替换全局最优。% 动态变异扰动每隔5代触发 if mod(t, 5) 0 % 高斯-柯西混合变异 sigma 1 - t / MaxIter; % 变异强度随迭代衰减 if rand 0.5 X_mut X_best sigma * randn(1, dim) .* (ub - lb); else X_mut X_best sigma * cauchy_rnd(1, dim) .* (ub - lb); end X_mut min(max(X_mut, lb), ub); % 边界钳制 f_mut feval(fhd, X_mut); if f_mut f_best X_best X_mut; f_best f_mut; end end高斯变异擅长小范围细调柯西变异带有更长的拖尾概率偶尔能迈出大步子两者混合起来既能细调又能脱困。变异强度sigma随迭代衰减前期扰动幅度大帮助逃逸后期幅度小不破坏已经收敛的精度。3.4 TDBO主循环逻辑总览把三处改动整合到原版DBO框架里主循环伪代码是1. 用Tent映射初始化种群 2. for t 1:MaxIter 3. 更新动态边界参数R、惯性权重w 4. 滚球蜣螂带惯性权重的滚球更新遇障碍触发跳舞 5. 产卵蜣螂在动态安全区域生成新解 6. 觅食蜣螂在觅食区域局部搜索 7. 偷窃蜣螂围绕全局最优做竞争搜索 8. 每5代触发一次变异扰动尝试改进全局最优 9. 更新全局最优和收敛历史记录 10. end4. 对比算法遴选不是随便拉四个出来陪跑4.1 为什么选DBO、PSO、GWO、WOA这四个对比实验的第一原则是“让人挑不出毛病”。如果只有TDBO自己的结果没有参照任何结论都站不住脚。我选四个算法的理由很直接DBO原版必须放在对比列表里否则无法证明“改进有效”。TDBO和DBO的差距就是改进策略净贡献。PSO粒子群优化群体智能算法里面最经典的参照系几乎所有优化论文都会和它对比审稿人和答辩老师对它最有直觉。GWO灰狼优化算法近十年的群体智能代表机制简单、参数少、收敛快是检验“新算法到底有没有变强”的常用标尺。WOA鲸鱼优化算法和GWO同属“新型群体智能”阵营螺旋更新机制与DBO的滚球-舞蹈机制有结构性差异对比它能体现TDBO的方法多样性优势。这四类算法覆盖了“经典新晋”“原版同类改进参照”既能说明TDBO比原版强又能说明它比主流算法不落下风。4.2 五个算法的参数配置这里必须强调一点对比实验的所有算法要使用相同的种群规模、相同的最大迭代次数、相同的函数评估次数。这是公平性的底线做不到这一条整个实验数据都没有说服力。我的统一配置如下统一参数数值种群规模30最大迭代次数500独立运行次数30次取统计量决策变量维度30高维为主变量搜索范围按基准函数定义设置算法关键参数TDBOTent初始化w从0.9线性减到0.4变异间隔5代角色分配沿用原版比例DBO原版参数k0.1lambda0.5PSOc1c21.5w从0.9线性减到0.4GWOa从2线性衰减到0其余按原论文WOAa从2线性衰减到0概率开关p取0.5参数设置要和原论文保持一致PSO的加速常数用1.5是主流设置GWO、WOA的衰减参数也来自原始论文。不要自己乱改经典算法的参数否则会被质疑“是不是故意削弱对比算法”。4.3 角色分配的补充说明DBO和TDBO的种群内部按比例分配四种行为。我在测试中发现种群30时合理的分配方案是滚球舞蹈个体约占60%产卵约占20%觅食约占10%偷窃约占10%。这个比例不一定和原论文逐像素一致但测试结果稳定。如果你想修改建议先跑一遍原版DBO在不同比例下的表现找到一个基线再调整。5. Matlab实验框架搭建从功能函数到收敛曲线一次理清5.1 目录结构设计我习惯把每个算法的接口做成完全一致的函数签名这样主程序里可以用统一格式调用后续换算法就是加一个m文件的事。DBO_Project/ ├── main_compare.m % 主程序 ├── algorithms/ │ ├── TDBO.m │ ├── DBO.m │ ├── PSO.m │ ├── GWO.m │ └── WOA.m ├── benchmark/ │ ├── F1_Sphere.m │ ├── F2_Rastrigin.m │ ├── F3_Rosenbrock.m │ ├── F4_Griewank.m │ └── F5_Ackley.m └── results/所有算法函数统一接收以下参数并返回统一格式结果function [Best_score, Best_pos, Convergence_curve] ... TDBO(SearchAgents_no, Max_iteration, lb, ub, dim, fobj)SearchAgents_no是种群数量Max_iteration是迭代次数lb、ub可以是向量也可以是标量dim是维度fobj是函数句柄。输出三个量最优值、最优位置、收敛曲线数组。五个算法全部遵循这个接口主程序写一次后面换函数换算法都极其方便。5.2 主程序main_compare.m的核心代码%% 主程序TDBO与四种算法对比 clear; clc; close all; rng(2024); % 固定随机种子保证每次运行结果一致 %% 基准函数与参数设置 dim 30; MaxIter 500; N 30; RunTimes 30; % 独立运行次数 % 基准函数列表函数句柄、下界、上界、目标精度 benchmarks { F1_Sphere, -100, 100, 1e-100; F2_Rastrigin, -5.12, 5.12, 1e-5; F3_Rosenbrock, -2.048, 2.048, 1e-10; F4_Griewank, -30, 30, 1e-10; F5_Ackley, -32, 32, 1e-10; }; %% 算法统一接口定义 algorithms {TDBO, DBO, PSO, GWO, WOA}; algoNames {TDBO, DBO, PSO, GWO, WOA}; %% 循环跑实验 % results{func_idx, algo_idx} 存放30次独立运行的最优值 results cell(size(benchmarks, 1), length(algorithms)); for f 1:size(benchmarks, 1) fobj benchmarks{f, 1}; lb benchmarks{f, 2}; ub benchmarks{f, 3}; for a 1:length(algorithms) algo_func algorithms{a}; best_values zeros(1, RunTimes); for run 1:RunTimes rng(100 f * 10 a * 2 run); % 每个run不同的种子但可复现 [Best_score, ~, ~] feval(algo_func, N, MaxIter, lb, ub, dim, fobj); best_values(run) Best_score; end results{f, a} best_values; fprintf(函数%d, 算法%s: 最优值%.4e, 均值%.4e, 标准差%.4e\n, ... f, algoNames{a}, min(best_values), mean(best_values), std(best_values)); end end这里有几个细节值得注意第一每个run的随机种子也要固定否则结果无法复现。我用rng(100 f * 10 a * 2 run)这种方式生成不同种子保证每次运行独立但可复现。答辩时别人问你“这组数据再跑一次一样吗”你可以直接运行验证。第二结果存成cell数组而不是普通数组因为不同函数、不同算法结果量级差异很大分开存放便于后续做显著性检验。第三fprintf输出放在循环内部可以实时观察进度。尤其高维问题跑起来很慢没有输出会让人怀疑程序卡死了。5.3 画收敛曲线时的关键处理收敛曲线的横坐标是迭代次数纵坐标是每次迭代的全局最优值。注意这里一定要用“历史最优”而不是“当前最优”——算法在某次迭代的当前最优可能变差但真正起决定作用的是历史最好状态。%% 绘制收敛曲线以第一个基准函数为例 figure(Position, [100, 100, 900, 600]); colors {r, b, g, m, k}; for a 1:length(algorithms) % 取某一次代表性的run的收敛曲线 [~, ~, curve] feval(algorithms{a}, N, MaxIter, ... benchmarks{1,2}, benchmarks{1,3}, dim, benchmarks{1,1}); semilogy(1:MaxIter, curve eps, Color, colors{a}, LineWidth, 1.8); hold on; end legend(algoNames, FontSize, 10, Location, northeast); xlabel(迭代次数); ylabel(最优值 (log)); title(基准函数收敛曲线对比); grid on; saveas(gcf, fullfile(results, convergence_curve.png));用semilogy画对数纵轴非常关键因为算法后期最优值可能从1e-2掉到1e-10跨越多个数量级普通plot会把前期变化压成一条直线。加一个eps是防止最优值恰好为0时log(0)出现-inf导致曲线断裂。每次只取一次典型run的收敛曲线来画图即可但统计表格一定要用30次运行的均值、标准差。论文里如果只放一次运行的最优值评审大概率会质疑结果的随机性。5.4 基准测试函数一览函数名表达式要点搜索范围理论最优值Spheresum(x.^2)[-100, 100]0Rastriginsum(x.^2 - 10cos(2pi*x) 10)[-5.12, 5.12]0Rosenbrocksum(100*(x(i1)-x(i)^2)^2 (x(i)-1)^2)[-2.048, 2.048]0Griewanksum(x.^2)/4000 - prod(cos(x(i)/sqrt(i))) 1[-30, 30]0Ackley指数与余弦混合形式[-32, 32]0这五个函数覆盖了单峰、多峰、非线性病态三种典型类型。Sphere验证基础寻优精度Rastrigin验证全局搜索能力和局部极值逃逸能力Rosenbrock验证对强相关变量的处理能力Griewank和Ackley则是经典的多峰陷阱测试。推荐再额外加一个高维压力测试把每个函数都在30维和50维下各跑一遍因为很多算法在50维下的表现会明显分档。6. 实测结果解读收敛曲线和统计表里藏着哪些信息6.1 典型收敛趋势是什么样的以我实际跑通的数据为例画出收敛曲线后一般会看到这样的规律Sphere函数上TDBO和GWO前期下降速度接近但TDBO在300代之后仍然保持下降趋势最终收敛精度落在1e-60量级附近明显低于DBO的1e-30量级和PSO的1e-20量级。这个现象的解释是Tent初始化让初始种群更覆盖关键区域惯性权重让后期仍然保持细粒度探索能力二者叠加在高维单峰函数上收益很大。Rastrigin函数上TDBO几乎每几步就会触发一次变异扰动曲线呈“阶梯式下降”——快速找到一个更低谷底然后稳定一段再跳一次。这种锯齿状收敛曲线的价值体现在最终统计表上30次独立运行的最优值标准差小说明算法稳定性好不是靠运气。Rosenbrock函数上TDBO没有拉开特别大的差距这一度让我困惑。后来分析发现Rosenbrock的全局最优在一条“山谷线”上需要沿着谷底精确移动变异扰动在这里反而可能把个体踢出山谷。所以我在TDBO的最终版本里给变异加了概率门控只有在全局最优连续5代没有更新时才触发变异命中率明显提高。6.2 统计结果表怎么看30次独立运行之后建议输出这样一张统计表函数算法最优值平均值标准差SphereTDBO3.12e-615.60e-582.11e-57SphereDBO8.45e-312.73e-284.20e-28SphereGWO4.02e-387.19e-355.33e-34...............表格的阅读顺序很重要先看平均值平均值代表整体寻优能力再看标准差标准差代表稳定性最优值放在最后因为它只是30次里运气最好的一次。很多初学者一上来先看最优值这是误区。两个算法最优值接近时平均值的比较才真正反映水平。6.3 一个容易误判的数据点有时候TDBO会在某个多峰函数上出现极个别异常大的结果比如30次里29次都收敛到1e-8但有一次卡在0.1。此时标准差会突然变大表格上看起来算法不稳定。这里要分析原因而不是简单把异常值删掉。根据我的经验这类异常多发生在50维Rastrigin测试中原因是高维空间多峰数量指数增加变异扰动虽然厉害但也有概率在极端情况下无法脱困。处理办法是检查是不是随机种子的个别样本触发了罕见路径必要时增加独立运行次数到50次观察统计量是否稳定。完全没有失败率的算法几乎不存在敢于在论文里如实报告这种异常并给出解释反而增加可信度。6.4 有意做一次Wilcoxon符号秩检验收尾只列均值标准差在答辩时可能被追问“差异是否统计显著”。稳妥的做法是把30次独立运行的最优值输入Matlab的ranksum函数对TDBO和每个对比算法做Wilcoxon符号秩检验p值小于0.05就说明差异显著。这段代码非常短[p, h] ranksum(results{f, 1}, results{f, a});把每个函数的p值整理成一个表格加在论文附录里就不用再口头辩解算法为什么“看起来强”了统计检验替你说话。7. 对比实验中踩过的坑以及我的规避办法7.1 随机种子没有全局固定这是我最初犯的错误主程序里写了rng(2024)但每个算法m文件内部又各自调用了多次rand和randn导致同一个随机种子下不同算法消费随机数的节奏不同单次运行结果放大后看起来“不公平”。这不是真的公平问题但你在复现别人的实验时会被坑。规避办法是每个run单独指定种子并把种子编号记录在日志里。实验一旦公开别人用你的随机种子就能完整复现你的每个数据点。7.2 位置更新后忘记边界钳制混沌初始化时我做了边界映射但在滚球、偷窃和变异扰动之后个体可能跳出搜索范围。原版DBO对边界处理比较宽松有些实现是让越界个体保留在原位这就等于浪费了一次评估机会。我的方案是所有越界个体统一做边界反射钳制X min(max(X, lb), ub);这个写法的代价是个体会在边界上轻微堆积但对收敛性能的影响远小于“越界个体带病继续迭代”。对精度要求更高的场合也可以把越界个体重新映射到搜索空间内随机位置增加多样性。7.3 收敛曲线记录的是“当前最优”而不是“历史最优”如果每次迭代记录的是当次迭代所有个体的最小值得到的曲线会上下波动甚至出现“算法越跑越差”的假象。正确做法是维护一个全局历史最优值每次迭代后比较更新if Best_score_this_iter f_best f_best Best_score_this_iter; end Convergence_curve(t) f_best;这样一个单调递减的收敛曲线才是算法真正的寻优轨迹画出来之后对比的视觉效果也更清晰。7.4 对比实验没有统一函数评估次数有的论文对比实验使用相同迭代次数但各算法单次迭代的评估次数不同最后的结果其实是被总评估次数差异污染的。DBO和TDBO每轮迭代内部所有个体都会更新一次评估次数是N次PSO、GWO、WOA也一样每轮N次评估。大家在统一迭代次数下总评估次数相同这个对比才公平。如果某个改进算法额外增加了内部循环比如变异尝试每次触发又多做一次评估要在论文里说明并在对比中也给其他算法增加等量的随机重评估机会。7.5 无效维度和“维度诅咒”10维和30维下算法的排名可能完全反转。有些算法低维表现极好一上高维就废。我在跑TDBO实验时也发现10维下各算法差距不明显30维开始拉开差距到了50维才真正看出改进的价值。所以给师弟做项目时我建议至少跑三个维度10维、30维、50维各跑一遍统计表按维度分别列出既能满足论文“多角度验证”的要求也帮你确认改进算法在高维压力下是真的有效。7.6 不要忽略异常值的位置信息有一次实验我只看数值结果忽略了一个Rastrigin测试的异常大结果后来把最优位置打出来才发现那一次算法跑到搜索空间的角落去了是偷窃行为的步长过大导致。这个经历给我的教训是改进算法时每一处随机参数都要考虑对个体活动半径的影响。比如偷窃行为如果步长太大会频繁把个体送出优势区域步长太小又会失去竞争意义。在TDBO里我特意把偷窃步长设为当前动态边界宽度的10%整体活动半径就有了限制。如果看完这篇你自己动手搭一套TDBO对比实验我只留一条建议先跑通原版DBO再逐项叠加改进不要一步到位。Tent初始化、惯性权重、变异扰动这三个改动分开实现、分开测试每加一项就对比一次性能变化你能清楚看到每一处改动的贡献是多少。我最初一次性把三个改动全部塞进去效果确实好但师弟问“哪个改进起主要作用”时我只能再花一周做消融实验。先加Tent映射观察初始收敛段的变化再加惯性权重观察后期收敛段的变化最后加变异扰动观察多峰函数上的跳出能力。这种递进式实验做一次你对DBO的理解会比读十篇论文都深刻答辩时这些过程也都是现成的素材。