NSDBO|基于非支配排序的蜣螂优化算法原理及其实现(Matlab)

文章来源于我的个人公众号：KAU的云实验台，主要更新智能优化算法的原理、应用、改进

蜣螂优化算法(Dung Beetle Optimizer，DBO)是JiankaXue和Bo Shen在2022 年提出的一种新型群体智能优化算法[1]，其灵感来自于蜣螂的滚球、跳舞、觅食、偷窃和繁殖行为。该算法同时考虑了全局探索和局部开发，从而具有收敛速度快和准确率高的特点，可以有效地解决复杂的寻优问题。

而多目标蜣螂优化算法(Non-dominated Sorting Dung Beetle Optimizer, NSDBO)于2023年开发[2]，其与多目标鲸鱼优化算法[3]类似，将非支配排序的思想引入蜣螂优化算法中实现多目标优化。本文将介绍多目标蜣螂优化算法的原理及代码实现。

00 文章目录

1 多目标蜣螂优化算法原理

2 代码目录

3 算法性能

4 源码获取

01 多目标蜣螂优化算法原理

1.1 蜣螂优化算法DBO

算法中蜣螂种群分为四个部分，分别为滚球蜣螂、育雏球、小蜣螂和小偷蜣螂。滚球蜣螂受各种自然环境影响决更新其运行方向，初步寻找可以安全觅食的位置，育雏球会被产在已知的安全区域内，成长为成虫的蜣螂被称为小蜣螂，小蜣螂会在最佳觅食区觅食，小偷蜣螂也会根据其他蜣螂的位置和最佳觅食区寻找食物。

四种蜣螂位置更新方式如下：

(1)滚球蜣螂

滚球蜣螂以太阳为导航以保证粪球在直线路径上滚动，光源强度、风等自然因素会影响滚球蜣螂的行进路线，

滚球蜣螂位置更新方式如下：

式中，𝑡代表当前迭代次数，𝑥𝑖 (𝑡)表示第𝑡次迭代时第𝑖只蜣螂的位置信息，α 是一个自然系数，表示是否偏离原来方向，根据概率法分配为−1或1，𝑘 ∈ (0,0.2)表示偏转系数，𝑏 ∈ (0,1)表示常数，𝑘和𝑏分别设定为0.1和0.3，𝑋𝑤表示全局最差位置，Δ𝑥用于模拟光强变化。

当蜣螂遇到障碍物而不能前进时，它需要通过跳舞来调整自己的方向，滚球蜣螂跳舞更新位置的公式定义如下：

式中θ ∈ [0, 𝜋]表示偏转角，在θ等于0、𝜋/2或𝜋时，蜣螂的位置不会更新。

(2)育雏球

育雏球采用边界选择策略模拟雌性蜣螂产卵区域，产卵区域的定义为:

式中，𝑋∗表示当前的局部最佳位置，𝐿𝑏∗和𝑈𝑏∗分别表示产卵区的下限和上限， 𝑅 = 1 −𝑡/𝑇𝑚𝑎𝑥，𝑇𝑚𝑎𝑥表示最大迭代数，𝐿𝑏和𝑈𝑏分别代表优化问题的下限和上限。

在迭代过程中，育雏球位置是动态变化的，其定义为：

式中，𝐵𝑖 (𝑡)是第𝑡次迭代时第𝑖个育雏球的位置信息，𝑏1和𝑏2代表两个大小为1×D 的独立随机向量，D 表示优化问题的维度。

(3)小蜣螂

需要建立一个最优觅食区域，指导幼体蜣螂寻找食物并模拟其觅食行为，其中最优觅食区域定义为：

式中，𝑋b表示当前的局部最佳位置，𝐿𝑏b和𝑈𝑏b分别表示最佳觅食区的下限和上限

小蜣螂的位置更新如下：

式中，𝑥𝑖 (𝑡)是第𝑡次迭代时第𝑖只小蜣螂的位置信息，𝐶1表示遵循正态分布的随机数，𝐶2 ∈(0,1)表示随机向量。

(4)小偷蜣螂

Xb是食物竞争的最佳位置，因此小偷蜣螂位置更新方式如下：

式中，𝑥𝑖 (𝑡)第𝑖只小偷蜣螂在第𝑡次迭代的位置信息，g 表示一个遵循正态分布的大小为1×D的随机向量，S表示一个常数值。

在一次迭代之后，滚球蜣螂、育雏球、小蜣螂和小偷蜣螂的位置被更新。上述四个智能体构成了优化算法的种群。DBO算法可以利用不同时期的信息对搜索空间进行彻底的探索，避免陷入局部最优，具有很强的搜索能力。

1.2 基于非支配排序的多目标蜣螂优化算法

非支配排序是多目标优化算法中十分有效的技术。它根据Pareto最优解的优势程度对其进行排序。其中，不被任何解支配的解被分配为序1，只有一个解占优势的解被赋予为序2，只有两个解占优势的解被赋予为序3，依此类推。然后，根据它们的序选择解，以提高种群的质量。NSDBO算法的流程图如下：

02 代码目录

文件包含蜣螂算法源文献以及NSDBO的Matlab代码，代码注释完整，其中部分Main_NSDBO程序如下：

代码获取方式见文末

03 算法性能

使用ZDT系列测试函数对NSDBO进行测试：

04 源码获取

GZH（KAU的云实验台）后台回复：NSDBO

参考文献

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

[2] Zhu, X.; Ni, C.; Chen, G.; Guo, J. Optimization of Tungsten Heavy Alloy Cutting Parameters Based on RSM and Reinforcement Dung Beetle Algorithm. Sensors 2023, 23, 5616. https://doi.org/10.3390/s23125616

​

另：如果有伙伴有待解决的优化问题（各种领域都可），可以发我，我会选择性的更新利用优化算法解决这些问题的文章。

如果这篇文章对你有帮助或启发，可以点击右下角的赞/在看 (ง•̀_•́)ง(不点也行)