蜣螂优化算法(DBO)-高被引算法-公式原理详解与性能测评 Matlab代码免费获取

        声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

目录

原理简介

一、滚球蜣螂

（一）无障碍物时：太阳定位

（二）有障碍物时：跳舞

二、产卵行为

三、觅食蜣螂

四、偷窃蜣螂

算法伪代码

性能测评

参考文献

完整代码

---

今天为大家介绍一下性能非常优异的算法——蜣螂优化算法(Dung beetle optimizer, DBO)，这个算法灵感来源于蜣螂的生物行为，该算法由Jiankai Xue等人于2023年发表于SCI期刊《The Journal of Supercomputing》上！

这个算法深受大家欢迎，性能非常不错，同时改进空间也非常大。因此，对它改进的学者也非常多，很多改进它的算法甚至都发到了SCI一区期刊上！

谷歌学术上显示，该算法仅发表1年多，就已经被引560次，妥妥的高被引算法！

原理简介

灵感：众所周知，屎壳郎是自然界中一种常见的昆虫，以动物的粪便为食。请注意，蜣螂在世界上大部分地区都有发现，它们在自然界中扮演着分解者的角色，这意味着它们在生态系统中至关重要。研究表明，蜣螂有一个有趣的习惯，就是把粪便揉成一个球，然后把它滚出去，如下图所示。

一、滚球蜣螂

（一）无障碍物时：太阳定位

为了模拟滚球行为，蜣螂需要在整个搜索空间中沿着给定的方向移动。屎壳郎的飞行轨迹如下图所示。在这张图中，我们可以看到蜣螂利用太阳来导航，其中红色箭头表示滚动方向。在本文中，我们假设光源的强度也会影响蜣螂的路径。在滚动过程中，滚球蜣螂的位置被更新，可以表示为：

式中，t表示当前迭代次数，xi (t)表示第i只蜣螂在第t次迭代时的位置信息，k∈(0,0.2]表示一个常数，该常数表示偏转系数，b表示一个属于（0,1）的常数，α是一个自然系数，赋值为-1或1，Xw表示全局最差位置，Δx用于模拟光强的变化。

为了模拟现实世界的复杂环境，本文采用概率法将α设为1或-1（见算法1）。同样，Δx值越高，表示光源越弱。另外，k和b分别设为0.1和0.3。Δx可以促进滚球蜣螂具有以下两个优点：1)在优化过程中尽可能彻底地探索整个问题空间；2)追求更强的搜索性能，减少陷入局部最优的可能性。因此，Xw更适合控制Δx的值来扩展搜索范围。

（二）有障碍物时：跳舞

当屎壳郎遇到障碍物无法前进时，它需要通过跳舞来重新定位自己，目的是获得一条新的路线。值得注意的是，舞蹈行为在滚球的蜣螂中起着重要作用。为了模拟舞蹈行为，我们使用正切函数来获得新的滚动方向。需要说明的是，我们只需要考虑在区间[0，π]上定义的切函数的值，如图3所示。一旦蜣螂成功地确定了一个新的方向，它应该继续向后滚动球。因此，将滚球蜣螂的位置更新定义如下：

式中θ为属于[0，π]的偏转角。

其中，∣xi(t)−xi(t−1)∣为第i只蜣螂在第n次迭代时的位置与在第t−1次迭代时的位置之差。因此，滚球蜣螂的位置更新与当前和历史信息密切相关。请注意，如果θ等于0、π/2或π，则蜣螂的位置不会更新（参见算法2）。

二、产卵行为

一旦确定了产卵区域，雌性蜣螂就会选择这个区域的卵球产卵。需要说明的是，对于DBO算法，每只雌性蜣螂在每次迭代中只产生一个卵。此外，由(3)可以清楚地看出，产卵区的边界范围是动态变化的，这主要是由R值决定的。因此，孵化球的位置在迭代过程中也是动态的，定义为：

式中，Bi (t)为第i个育雏球在第n次迭代时的位置信息，b1和b2表示大小为1 × D的两个独立随机向量，D表示优化问题的维数。注意孵蛋球的位置被严格限制在一定范围内，即产卵区域（见算法3）。

三、觅食蜣螂

一些已经长大成人的蜣螂会从地下钻出来寻找食物（见下图）。在本文中，我们称它们为小蜣螂。此外，我们还需要建立最佳觅食区域来指导甲虫的觅食，并进行模拟这些屎壳郎在自然界的觅食过程。其中，最优觅食区域的边界定义为：

其中Xb为全局最佳位置，Lbb和Ubb分别为最优觅食区域的下界和上界。

因此，小屎壳郎的位置更新如下：

式中，xi (t)表示第i只小蜣螂在第n次迭代时的位置信息，C1表示服从正态分布的随机数，C2表示属于（0,1）的随机向量。

四、偷窃蜣螂

另一方面，有些屎壳郎，被称为小偷，会从其他屎壳郎身上偷粪球。需要指出的是，这是自然界中很常见的现象。由(5)可知，Xb是最优食物源。因此，我们可以假设周围的Xb表示争夺食物的最佳地点。在迭代过程中，小偷的位置信息更新，可以描述为：

式中xi (t)表示第i个贼在第n次迭代时的位置信息，g是大小为1 × D的随机向量，服从正态分布，S表示一个常数。

算法伪代码

为了使大家更好地理解，这边给出作者算法的伪代码，非常清晰！

需要注意的是，每个蜣螂群由四个不同的个体组成，即滚球蜣螂、孵球蜣螂、觅食小蜣螂和小偷蜣螂。更具体地说，在DBO算法中，蜣螂种群包括N个代理，其中每个个体i代表一个候选解决方案。

第i个agent在第n次迭代时的位置向量表示为xi (t)=(xi1(t), xi2(t)，…，xiD(t))，其中D为搜索空间的维数。它们的分布比例没有规定，可以根据实际应用问题进行设置。例如，如图8所示，蜣螂群的大小为N = 30。滚球屎壳郎、窝球屎壳郎、小屎壳郎、贼屎壳郎的数量分别为6、6、7、11只。应该注意的是，他们的人数之和应该与设定为30的总人数相同。

如果实在看不懂，不用担心，可以看下源代码，再结合上文公式理解就一目了然了！

性能测评

原文作者在23个基准函数和29个CEC2017测试函数来评估DBO算法的搜索能力。从原文作者的结果可以看出，DBO算法在收敛速度、解精度和稳定性方面与最先进的优化方法具有很大的竞争力。

这边为了方便大家对比与理解，采用23个标准测试函数，即CEC2005，设置种群数量为30，迭代次数为1000，并与性能优异的阿基米德优化算法AOA进行对比！这边展示其中5个测试函数的图，其余十几个测试函数大家可以自行切换尝试！

可以看到，这个算法性能确实不错，在大部分函数上均超越了其他性能同样优异的AOA算法，强烈建议大家应用到各类预测、优化问题中~

参考文献

[1]Xue J, Shen B. Dung beetle optimizer: A new meta-heuristic algorithm for global optimization[J]. The Journal of Supercomputing, 2023, 79(7): 7305-7336.

完整代码

如果需要免费获得图中的完整测试代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：

DBO

也可后台回复个人需求（比如DBO-BP）定制以下DBO算法优化模型（看到秒回）：

1.回归/时序/分类预测类：SVM、RVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN等等均可~

2.组合预测类：CNN/TCN/BiTCN/DBN/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~

3.分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD等分解模型均可~

4.路径规划类：机器人路径规划、无人机三维路径规划、冷链物流路径优化、VRPTW路径优化等等~

5.优化类：光伏电池参数辨识优化、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、故障诊断等等均可~~

6.原创改进优化算法（适合需要创新的同学）：原创改进蜣螂优化算法DBO以及哈里斯鹰算法HHO、麻雀算法SSA等任意优化算法均可，保证测试函数效果！