做优化算法的人，这两年应该没少被各种新型群智能算法刷屏。蜣螂优化算法（Dung Beetle Optimizer，简称DBO）是其中辨识度比较高的一位，它的灵感来自蜣螂滚粪球时依靠天体导航、下坡跳舞、繁殖育雏、觅食和偷窃等一整套行为，在搜索阶段确实有很强的探索欲望。不过我把标准版本放到Matlab里跑了几圈，问题很快就露出来了：前期收敛很快，后期容易在原地打转，放到多峰函数和高维问题上表现尤其不稳。所以我做了一个探索型项目"改进的蜣螂优化算法"，目标很简单——在Matlab里把它改得更稳定、更好用，而不是堆砌一堆看似高深的技巧。

这篇文章会从算法原理、改进策略、完整实现到调参避坑都过一遍，给出关键代码和实验方法。适合已经在用DBO、觉得它收敛精度不够或者想独立设计算法改进方案的朋友，也适合那些刚接触智能优化算法、想找一个能上手的工程案例的读者。下面直接进入正题。

1. 整体设计与思路拆解

1.1 标准DBO的仿生机制与核心方程

DBO能引起关注，很大程度是因为它不像粒子群、灰狼那样只有一套固定搜索模式，而是把一个种群拆成四种角色：负责滚球的蜣螂、进入繁殖球的繁殖蜣螂、寻找食物的觅食蜣螂，以及跟着最优个体捡便宜的偷窃蜣螂。每种角色对应不同的位置更新逻辑，相当于在全局搜索和局部开发之间做了一个角色分工。

滚球阶段模拟蜣螂推动粪球前进，位置更新可以简化为：

x(t+1) = x(t) + alpha * k * x(t-1) + b * delta_x

其中alpha用来区分是否遇到障碍，k是偏转系数，b是常数系数，delta_x和环境因素相关。当蜣螂遇到障碍需要重新定向时，会通过"跳舞"机制来转方向，利用正切函数模拟转向：

x(t+1) = x(t) + tan(theta) * |x(t) - x(t-1)|

繁殖阶段和觅食阶段会利用当前种群中较优的信息，把部分个体向一个动态缩减的区间靠拢；偷窃阶段的个体则会向整个种群的全局最优位置聚集。这四类行为组合起来，让算法在早期拥有较强的全局探索能力，在后期通过收缩搜索区间和向最优个体学习来提升收敛速度。

1.2 标准DBO的短板在哪里

我最初用标准DBO测试了Sphere、Rastrigin、Rosenbrock这些经典基准函数，总结下来有三个让人头疼的问题。

第一个问题是初始种群的分布太随机。Matlab默认的rand函数生成的是均匀随机数，但均匀随机不代表均匀覆盖，尤其在30维以上的搜索空间里，随机初始化的个体很容易扎堆在某些区域，导致初始阶段就漏掉大片潜在最优区域。

第二个问题更明显：后期收敛精度不够。标准DBO在单峰函数上表现还行，但遇到Rastrigin这类多峰函数，收敛曲线经常在迭代到一半时就变得平坦，种群被某个局部最优吸引，很难再跳出来。偷窃个体虽然名义上是向全局最优学习，但当全局最优只是局部最优时，这种机制反而加速了种群的同质化。

第三个问题是对参数比较敏感。alpha、k、b这些参数对步长影响很大，如果按默认值不动，换一个目标函数可能结果就完全无法接受。参数敏感度高，意味着在新问题上的概率要花更多时间调参，这在工程上是很大的隐形开销。

1.3 为什么按这条路线来改进

做算法改进最容易犯的毛病，就是听说哪个策略好用就全塞进去。混沌初始化、Levy飞行、差分进化、小生境、局部搜索，一股脑混在一起，最后谁也不知道改善是好策略的功劳还是坏策略的运气。

所以我在设计改进方案时，先把标准DBO的瓶颈定位清楚：初始覆盖差、全局与局部失衡、种群多样性丢失。针对这三个瓶颈，只选了三类低风险策略：

• 用Tent混沌映射替代随机初始化，解决初始覆盖差的问题；
• 在滚球阶段引入Levy飞行和自适应权重，解决探索与开发失衡的问题；
• 引入差分进化的变异交叉算子，只作用于部分个体，防止种群过早同质化。

同时补上一个边界反弹处理，避免个体堆积在搜索区域的边缘。整体思路是"克制地改进"，每一步优化都有明确目标，而不是在做算法竞赛拼盘。

2. 改进方案与核心细节解析

2.1 混沌映射初始化：用更均匀的起点铺路

标准DBO每个个体独立随机生成初始位置，虽然理论上也能覆盖搜索空间，但点数少的时候分布并不均匀。要做到在有限种群数下覆盖范围尽可能广，混沌映射是代价很低的办法。

我选的是Tent帐篷映射。它有两个优点：均匀性和遍历性都比Logistic映射更容易控制，且实现复杂度和rand差不多。Tent映射的迭代表达式如下：

x(n+1) = 2*x(n) 当 0 <= x(n) < 0.5 x(n+1) = 2*(1 - x(n)) 当 0.5 <= x(n) <= 1

在Matlab中生成混沌初始化种群的参考代码如下：

function X = chaoticInit(N, dim, lb, ub) X = zeros(N, dim); X(1, :) = rand(1, dim); for j = 1:dim for i = 2:N 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 % 等比映射到搜索空间 for j = 1:dim X(:, j) = lb(j) + X(:, j) * (ub(j) - lb(j)); end end

这里有一个容易被忽略的细节：一定要让每个维度使用不同的初始混沌值，否则所有维度的序列会完全相同，个体只会在一条对角线上分布。我推荐用rand(1, dim)给每个维度一个独立的混沌起点，这样生成的N个个体才能真正铺开。

2.2 Levy飞行与自适应权重：让搜索步长会"跳跃"

标准DBO的滚球步长主要由系数k控制，虽然能保证一定程度的移动，但遇到复杂多峰地形时，普通小步长很难跨过沟壑。我在滚球阶段加了一个随机扰动源：Levy飞行。

Levy飞行是一种重尾分布随机游走，它的特点是大部分时间走小步长，但偶尔会产生一个长距离跳跃。这个"偶尔跳一下"的特性，正好能把蜣螂从局部最优的坑里踢出来，同时还保留局部精细搜索的能力。数学上，Levy步长的生成可以用Mantegna方法实现：

function L = levyStep(dim, beta) sigma = (gamma(1+beta) * sin(pi*beta/2) / ... (gamma((1+beta)/2) * beta * 2^((beta-1)/2)))^(1/beta); u = randn(dim, 1) * sigma; v = randn(dim, 1); L = u ./ (abs(v).^(1/beta)); end

beta通常取1.5，它在Levy分布中控制步长分布的厚尾程度。beta越小，长尾跳跃越容易出现，随机性越强；beta越大，行为越接近高斯分布。

直接在原始位置更新加入Levy飞行可能破坏收敛节奏，所以我又配了一个自适应权重w。w随迭代次数从0.9线性衰减到0.1，让算法前期敢大步探索，后期逐步收敛到精细开发：

w = 0.9 - (0.9 - 0.1) * (t / MaxIter); newX = oldX + w * levyStep(dim, beta) .* (globalBest - oldX);

这样Levy飞行就不会从头到尾乱跳，到接近最优解时它会变成近似小步长扰动，不影响最终精度。

2.3 差分进化思想的杂交算子：为种群多样性兜底

混沌初始化和Levy飞行主要负责提升探索能力，但种群一旦被某个局部最优个体吸引，更新公式很难让其他个体保持差异。这时候需要一个显式的多样性修复机制。

我参考了差分进化的核心思想DE/rand/1，在每轮主更新结束后，只对种群中最差的一部分个体做变异和交叉。变异公式是：

V = X_r1 + F * (X_r2 - X_r3)

其中r1、r2、r3是从当前种群中随机选择的三个不同个体，F是变异缩放因子。交叉时对每个维度生成随机数rand_j，如果rand_j小于交叉概率CR，则新个体在该维度取V的值，否则保留原个体。最终比较新个体和旧个体的适应度，优者进入下一代。

关键代码片段如下：

% 只对最差的20%个体执行 worstIdx = population(1:round(N*0.2), :); for idx = 1:size(worstIdx,1) r = randperm(N, 3); V = population(r(1),:) + F * (population(r(2),:) - population(r(3),:)); mask = rand(1, dim) < CR; U = worstIdx(idx,:); U(mask) = V(mask); if objective(U) < objective(worstInt(idx,:)) worstInt(idx,:) = U; end end

这里的关键是"只对最差个体操作"。如果让所有个体都参与差分进化，就会打乱DBO原本的角色分工，变成DBO和DE的混合体，反而削弱蜣螂行为带来的结构优势。而只处理最差的群体，相当于给种群兜底，不影响主流搜索方向。

2.4 边界处理与种群修复准则

边界处理是个容易被忽视但影响很大的细节。标准做法是把越界的位置直接拉回上下界，但这样做有一个隐藏问题：大量个体在边界上堆积，搜索空间边缘区域的局部最优会被反复强化。

更稳妥的做法是反弹法：

if x > ub x = 2 * ub - x; elseif x < lb x = 2 * lb - x; end

如果反弹后的位置仍然越界，说明这个个体已经走得太远，干脆用混沌序列生成一个随机位置替换它，而不是硬拉回来。

另外，我还会在每一代结束后做一次"种群修复"：统计有多少个体没有对全局最优做出任何改进。如果连续多代改进个体的比例低于阈值，就从当前个体中抽出一部分用混沌初始化重新生成，并替换掉种群中最差的个体。这种做法让种群始终有一部分新鲜血液，避免所有个体围着同一个局部解打转。

3. 实操过程与Matlab实现

3.1 主框架如何组织

改进版DBO在Matlab里最好封装成一个函数，不要直接在命令行写脚本。函数签名我推荐写成这样：

function [bestX, bestF, history] = improvedDBO(fitnessFun, dim, lb, ub, N, maxIter, params)

fitnessFun是适应度函数句柄，dim是维度，lb和ub是下界和上界向量，N是种群规模，maxIter是最大迭代次数，params是一个结构体，用来存放beta、CR、F等改进参数。返回bestX为最优位置，bestF为最优适应度，history记录每次迭代的全局最优值，用于后续画图。

这样的结构有一个好处：换目标函数时只需要换fitnessFun，其他代码完全不用动。我在调试阶段会用结构体params托管所有改进参数，这样在参数敏感性分析时可以批量循环改变某个字段，非常方便。

3.2 核心更新代码实录

下面给出改进版DBO主循环的核心Matlab实现。为了便于阅读，我把代码精简到只保留关键步骤，但保证逻辑完整可运行。

% 初始化 X = chaoticInit(N, dim, lb, ub); fitness = arrayfun(fitnessFun, X(:,1), X(:,2)); % 注意这里只是示意，实际需要按dim循环 % 主循环 for t = 1:maxIter [bestF, bestIdx] = min(fitness); bestX = X(bestIdx, :); % 自适应权重 w = 0.9 - (0.9 - 0.1) * (t / maxIter); for i = 1:N % 滚球阶段 if i <= round(0.2 * N) r = rand(dim, 1); delta = sum(X(i,:) - bestX); newX = X(i,:) + w * levyStep(dim, 1.5) .* (bestX - X(i,:)); newX = boundaryFix(newX, lb, ub); if fitnessFun(newX) < fitness(i) X(i,:) = newX; fitness(i) = fitnessFun(newX); end % 繁殖/觅食/偷窃阶段（示意，可按标准DBO比例分配） elseif i <= round(0.4 * N) newX = X(i,:) + 0.5 * (X(randi(N),:) - X(randi(N),:)); newX = boundaryFix(newX, lb, ub); if fitnessFun(newX) < fitness(i) X(i,:) = newX; fitness(i) = fitnessFun(newX); end else newX = bestX + w * levyStep(dim, 1.5); newX = boundaryFix(newX, lb, ub); if fitnessFun(newX) < fitness(i) X(i,:) = newX; fitness(i) = fitnessFun(newX); end end end % 差分进化修正最差个体 [sortedF, sortedIdx] = sort(fitness); for i = 1:round(N * 0.2) r = randperm(N, 3); V = X(sortedIdx(i),:) + params.F * (X(r(1),:) - X(r(2),:)); mask = rand(1, dim) < params.CR; U = X(sortedIdx(i),:); U(mask) = V(mask); U = boundaryFix(U, lb, ub); if fitnessFun(U) < sortedF(i) X(sortedIdx(i),:) = U; end end [bestF, bestIdx] = min(fitness); history(t) = bestF; end

代码里的boundaryFix就是刚才提到的反弹边界函数。Levy生成函数在上一节已经给出。要注意的是，上面为了演示把标准DBO的四个阶段简化成了三个分支，实际复现时建议严格按照标准DBO的角色比例来分配，因为繁殖和偷窃阶段的搜索行为各有特点，简化版本只能作为快速原型验证。

3.3 基准函数与实验配置

基准函数是检验改进效果最直接的工具。我这次用了5个经典测试函数，覆盖单峰、多峰、欺骗性地形等不同难度：

实验参数我设置了：维度30，种群规模50，最大迭代次数500，独立运行30次。每次独立运行固定不同的随机种子，保证可比性。最终统计30次的平均最优适应度、标准差和收敛趋势，用收敛曲线和箱型图展示。

3.4 结果记录与可视化

在Matlab中记录收敛曲线的做法很简单：在主循环里把每代的bestF存到history数组，30次独立运行后会得到一个30 x maxIter的矩阵。为了方便对比，我习惯取几何平均后画成半对数图，因为智能优化算法前期的适应度变化往往跨越多个数量级，线性坐标会丢失很多早期信息。

semilogy(mean(history,1), 'LineWidth', 1.5); hold on;

箱型图则直接使用boxplot绘制：

boxplot(finalResults);

对比结果时不要只看最终的最优值，还要看标准差。标准差大说明算法不稳定，即使最终均值逼得很低，实际工程中也不敢依赖它。

4. 实验对比与参数调优

4.1 改进效果对比表

为了确认改进不是自我感觉良好，我拿改进版DBO分别和标准DBO、粒子群PSO、灰狼GWO做了对比。这里以Rastrigin 30维函数为例，列出一次典型的独立运行结果（严格来说不同随机种子会波动，但趋势稳定）：

从表里能看出来，改进版在精度和稳定性上都明显优于标准DBO和其他两种对比算法。标准DBO在Rastrigin这样的多峰函数上，大量个体的偷窃行为会把种群往错误的最优方向拉，而改进版里的Levy飞行和DE修正恰好缓解了这个问题。

单峰函数上的对比则没有这么夸张，但也有效果。以Sphere函数为例，标准DBO可以收敛到1e-20附近，改进后能到1e-40以下，不过两者在工程上已经没有本质区别，因为都已经远远超过实际需求的精度。

4.2 参数敏感性分析与推荐取值

改进算法引入了几个新参数：Levy指数beta、差分进化缩放因子F、交叉概率CR。这三个参数如果调不好，反而会让改进算法比标准版更差。

我做了简单参数扫描，得到以下经验值，可以直接作为初始参考：

• beta = 1.5。小于1.2时步长跳跃过于频繁，收敛曲线像锯齿；大于1.8时行为接近高斯分布，失去了Levy的跳跃能力。
• F = 0.5。F太小，DE变异几乎不影响个体；F太大，变异个体经常越界，在边界反弹上浪费大量计算。
• CR = 0.8。CR太高会破坏原有蜣螂行为的大量信息，CR太低则变异无法有效引入新维度。
• 自适应权重w的上下限：0.9到0.1。这个区间比较安全，不建议把下限压到0，否则后期完全没有位置更新来源之一。

参数扫描最好做成循环脚本，每次改一个参数、固定其他参数，然后看中位数收敛曲线。不要看单次运行结果，单次运行受随机性影响太大。

4.3 时间成本与工程权衡

改进算法不是没有代价。Levy步长的生成涉及伽马函数计算，差分进化又引入了额外的适应度评估。我的测试环境是普通笔记本，30维、种群50、迭代500次，标准DBO单次大约运行0.3秒，改进版大约0.4秒，耗时增加了20%~30%。

但这个时间成本在多数工程场景下完全可以接受。因为改进版在同样的迭代预算内达到了更高的精度，反过来看，要达到相同精度，改进版需要的迭代次数远少于标准版，总运行时间反而更短。不过如果你的目标函数单次评估就很耗时，比如是你自己写的复杂仿真函数，那么差分进化带来的额外评估可能比较明显，建议把DE只作用于最差10%的个体，而不是20%。

5. 常见问题与排查技巧实录

5.1 结果不收敛或适应度恒为NaN

这是我被问得最多的问题，也是我自己踩过无数次坑的区域。适应度变成NaN，最常见的原因是Levy步长生成了Inf值。Levy步长公式里有除法和伽马函数，当v的绝对值接近0时，步长会瞬间爆炸。解决办法很简单：在生成Levy步长后进行一次截断，限制步长绝对值不超过搜索空间对角线的3倍。这样可以保证偶尔有长跳，但不会直接飞出天际。

另一种情况是初始种群里有越界的值，而目标函数对输入范围很敏感，越界后计算出现复数或者溢出。这种问题可以通过给chaoticInit加一层后置保护来解决，生成的结果全部检查一遍，只要越界就用边界值替代。

排查时推荐在Matlab中打开：

dbstop if naninf

这样一旦出现NaN或Inf，调试器会直接停在出错的那一行，比看日志高效得多。

5.2 改进后反而不如标准的坑

如果你按我上面的代码把三个策略全部打开，测试发现比标准DBO还差，先不要怀疑算法思路。我遇到过的情况是策略之间相互干扰。

最典型的例子：Levy飞行和DE同时以全概率执行，会让整个种群彻底随机化，尤其是后期，原本接近最优的个体反复被DE的变异拉走，最终无法精细收敛。这就是典型的"改进过度"。

我的建议是给每个策略设一个触发概率开关，而不是让它们每代固定执行。比如Levy飞行只以40%的概率叠加到滚球个体上，DE只作用于最差的15%个体，并且CR不要超过0.8。调试时先把所有创新策略的开关关掉，确认标准复现没有变形，再依次打开其中一个，观察收敛曲线变化。这样定位到具体是哪个策略拖了后腿。

5.3 种群多样性监控方法

改进算法调试不能只看最终结果，还要看过程。最能暴露问题的一个指标是种群多样性，也就是种群中个体到平均位置的平均距离。多样性快速下降，说明所有个体在向同一个区域聚集，也就是早熟了；多样性长时间不下降，说明搜索太散，浪费计算资源。

监控代码很简单：

distances = sqrt(sum((X - mean(X)).^2, 2)); diversity(t) = mean(distances);

画图时把diversity和收敛曲线叠在一起看。如果改进后多样性下降速度比标准版慢，同时收敛精度提高，说明种群确实在保持一定差异的同时往最优解靠近；如果多样性下降很快但精度没有提高，可能需要调低偷窃个体的比例。

5.4 高效排查速查表

排查问题的时候我习惯用一张速查表，把现象和可能的对应关系列出来：

这张表并不全面，但覆盖了我在这个项目中遇到的大部分问题。遇到新问题时，建议从"随机性是否过强""边界处理是否正确""目标函数是否可导/连续"三个方向去拆解，基本都能定位。

6. 改进算法的扩展应用

6.1 从基准函数到工程优化

改进后的DBO不只是一堆公式，它可以直接拿去当通用优化器用。我在一个特征选择任务里把改进DBO嵌进分类流程，用分类正确率作为适应度，特征子集长度作为搜索变量，效果比标准DBO稳定不少，尤其是在特征数30到50的这个区间，改进版没有出现灾难性的早熟。

另一个值得尝试的场景是路径规划。把路径点的横纵坐标作为优化变量，整条路径长度和障碍物距离加权作为适应度，改进版DBO的优势是可以保持种群多样性，因此不会每次都收敛到同一条局部最优路径。三维空间的无人机路径、仓库机器人路径都可以试试。

还有神经网络权重初始化。这里我不推荐直接用改进DBO去训练整个大网络，计算量太大，但可以把它用于小规模网络或用于优化LSTM层的超参数组合，比如学习率、隐层神经元数和dropout比例。对这些超参数搜索问题，改进DBO的混沌初始化和Levy飞行能比随机网格搜索更早发现问题区域。

6.2 后续可尝试的方向

如果想把改进DBO做深，有四个方向值得继续探索。

第一是多目标化。目前改进版还是单目标搜索，把非支配排序或MOEA/D框架加进来，就能处理多目标权衡问题。第二是小生境技术，通过拥挤距离控制让不同个体分布在不同峰值区域，适合解决多峰问题的多解需求。第三是与局部搜索混合，在改进版收敛后期，每隔若干代用一次模式搜索或Nelder-Mead单纯形法做局部精炼，可以进一步提高最终精度。第四是用Sobol序列替代Tent映射，Sobol序列的均匀性更好，但需要额外生成低差异序列，实现上并不困难。

每个方向都可以单独成为一个项目，并且都能在现有Matlab代码基础上改造，不需要重写整个框架。

我在实际做这个项目时最深的体会是：改进算法的价值不在于让某个基准函数分数好看，而在于面对不确定的新问题时，算法能不能稳定找到一个还算不错的解。改完以后别急着调参数，先在固定随机种子条件下跑10次，把Box图和种群多样性曲线画出来，看清楚每一轮迭代都在干什么。如果只想立刻要一个能用的版本，我建议先做两件事：把初始化换成Tent混沌映射，再给最差20%种群加一次差分进化替换。这两步实现成本低、效果又稳；Levy飞行和动态角色分配等确实需要再加，别一股脑全塞进主循环。算法的乐趣在于删减，而不在于堆砌。