1. 为什么我决定复现这个“三件套”改进蝴蝶优化算法BOA在群体智能算法里不算冷门它靠“气味浓度”来引导个体位置更新的机制很特别代码写起来也比粒子群简单。但这两年我陆陆续续看了不少BOA改进文章发现一个普遍现状直接在原始BOA上跑基准函数结果往往不够看收敛慢、后期不动、局部最优里出不来。这次我复现的这篇改进文章标题里就把组合拳写在明面上Circle混沌初始化种群、非线性因子w/p/r、融合正余弦算法。说白了就是分别在种群初始化、参数控制、位置更新三个层面各补一刀。这篇博文就把我从零复现这个组合算法的完整过程写出来包括每个改进点背后的原理、关键公式、可运行的Python核心代码以及我实际踩过的一堆坑。适合正在做群智能优化算法改进、打算复现论文又不清楚细节的人看。1.1 原始BOA的收敛逻辑以及它到底差在哪先过一遍原始BOA的核心逻辑。每只蝴蝶的位置就是一个候选解个体i会释放“香味”香味浓度的计算公式是 f_i c * I_i^ac是感知因子a是幂指数I_i是刺激强度通常取适应度相关的值。搜索过程按概率p切换全局探索和局部开采。全局探索时个体朝当前全局最优位置靠近常见更新式是 x_i^{t1} x_i^t f_i * (r^2 * g^* - x_i^t)其中g^*是当前全局最优位置局部开采时随机选两个个体j和k更新式为 x_i^{t1} x_i^t f_i * (r^2 * x_j^t - x_k^t)。这里r是[0,1]的均匀随机数。只要把这个公式拆开就能发现问题。c、a、p全是固定值意味着整个迭代过程中步长性质和搜索偏好完全不变初始种群如果只用普通均匀随机数生成在高维空间里大概率出现局部扎堆、大片区域空白的情况。更尴尬的是后期算法已经陷入局部最优了步长还是以前那个量级想跳跳不出来想精细搜索又太粗。所以原始BOA在单峰函数上表现尚可一到Rastrigin、Griewank这类多峰函数经常跑出糟糕的最终精度。1.2 三个改进点为什么能形成互补看清楚原版的三个短板标题里的三个改进就很好理解了。Circle混沌初始化是解决开局问题的混沌序列有遍历性和低相关性能让种群在搜索空间里分布更均匀避免初始解过度集中在某一小块区域。非线性因子w/p/r是解决参数僵化问题的w控制位置更新时的惯性保留比例p控制全局搜索和局部搜索的切换节奏r控制气味强度对适应度差异的敏感度三个参数都随迭代次数动态变化前期偏探索、后期偏开发。融合正余弦算法则是在位置更新算子这一层做增强正弦余弦震荡项既能提供大范围的跳跃能力又能在后期保留小步长的精细搜索补上了BOA局部搜索多样性不足的毛病。这三个模块作用在不同环节不重复组合起来逻辑是通的。但复现的时候不能一股脑全塞进去我建议先单独跑通每个模块再逐步叠加否则出了问题你根本不知道是哪个模块引起的。后文我会按这个思路把每个模块拆开讲。2. 改进点逐个拆解从Circle混沌初始化到SCA融合2.1 Circle混沌初始化种群均匀撒网避免开局“挤成一团”混沌初始化的目的不是让代码看起来高级而是真能改善初始种群在解空间中的覆盖程度。Circle混沌映射的迭代式很简单x_{k1} mod( x_k b - (a / (2π)) * sin(2π * x_k), 1 )常用参数a0.5b0.2。输出的序列被mod到[0,1)区间理论上具有较好的遍历性。和Logistic混沌、Tent混沌相比Circle的实现只多了个正弦项但分布形态更均匀不容易出现局部过密的情况。实际初始化时我对每个维度各生成一条独立的混沌序列而不是把所有维度拼成一条。这样做是为了避免维度之间的相关性问题否则种群会落在一个低维子空间里等于变相缩小了搜索范围。代码如下import numpy as np def circle_init(N, dim, lb, ub): chaos np.zeros((N, dim)) for d in range(dim): x np.random.rand() 0.1 seq [] for _ in range(N 50): x np.mod(x 0.2 - (0.5 / (2 * np.pi)) * np.sin(2 * np.pi * x), 1.0) seq.append(x) # 丢弃前50个暂态点避免混沌序列初期的异常波动 chaos[:, d] np.array(seq[50:50 N]) population lb chaos * (ub - lb) return population, chaos这里有几个细节一定要留意。第一每个维度的混沌序列初值x最好不要取0、0.25、0.5这类特殊值否则序列可能直接进入周期点第二生成序列时多产生50个点再丢掉是为了绕过混沌映射的暂态过程第三混沌序列本身对浮点精度敏感如果发现N比较大时序列出现重复可以改用np.longdouble提升中间精度。我复现时一开始没丢暂态点结果前10个个体几乎挤在同一条线上后来加了这个处理才正常。2.2 非线性因子w、p、r给BOA的三个关键旋钮加上“时间轴”原始BOA里的c、a、p都是固定常数改进文章通常会把其中一部分参数改成随迭代变化的非线性函数。标题里说的w、p、r在我复现的这篇文章背景下对应的是惯性权重w、转换概率p、气味强度幂指数r有的文章里也叫a。先说w。惯性权重的经典用法是放在位置更新式前面的系数保证个体保留一部分原有运动信息。我们这里用的是抛物线递减w(t) w_min (w_max - w_min) * (1 - (t/T)^2)w_max取0.9w_min取0.4。前期w大个体不容易被最优位置带偏能维持较高的探索能力后期w小步长跟着收缩更容易在当前最优附近做精细搜索。选择抛物线而不是线性递减是因为前段下降更快、后段变化更缓和更符合“前期快速探索、后期慢慢精修”的需求。然后是p。p在BOA里是全局搜索与局部搜索的切换概率原始版本固定为0.8有点偏高导致局部开采机会不足。改进后我用的公式是p(t) p_max - (p_max - p_min) * (1 - cos(πt / (2T)))p_max0.8p_min0.2。前期p接近0.8大多数个体做全局搜索后期p接近0.2把重心转向局部搜索。余弦形式的好处是中段过渡平滑不像线性切换那样容易产生阶段突变。最后是r。r直接影响气味浓度 f_i c * I_i^r。r较小的时候不同个体的气味强度差异被压缩种群能保持多样r较大的时候最优个体的气味被放大其他人更容易被吸过去。所以我的取值是r(t) 0.1 0.7 * sin(πt / (2T))前期接近0.1后期慢慢涨到0.8。这个参数一旦取反或者变化太快算法会在中期突然“抱团”收敛曲线直接掉进平台期。调参的时候可以优先检查r的变化曲线有没有过大。三个参数的变化趋势我整理成下面这张表方便复现时对照参数初始值终止值变化形式主要作用w0.90.4抛物线递减控制步长和历史信息残留p0.80.2余弦递减从全局搜索切换到局部搜索r0.10.8正弦递增增强最优个体的气味吸引强度2.3 正余弦算法融合用振荡项补上局部搜索的多样性正余弦算法SCA的核心思想是用正弦和余弦函数产生的振荡方向作为搜索步。标准更新式是这样X_new X a_sca * sin(r2) * |r3 * X_best - X| 当 r4 0.5 X_new X a_sca * cos(r2) * |r3 * X_best - X| 当 r4 0.5其中a_sca从2线性递减到0r2是[0,2π]的随机角度r3是[0,2]的随机系数r4是[0,1]的随机数。正弦项负责向远离最优点的方向试探余弦项负责向靠近最优点的方向细化两者配合就能在局部区域形成一种震荡搜索。融合BOA的时候我采用的方法是在全局搜索分支里同时生成两个候选位置。一个来自BOA原始公式加惯性权重记为v_boa另一个来自SCA更新式记为v_sca。然后比较两者的适应度哪个好就保留哪个。这种“贪婪选择”比直接加权平均更稳因为它保证了每代更新至少不会比BOA原本的候选更差。融合后的全局更新逻辑可以这样理解BOA提供的是基于气味梯度的方向性搜索SCA提供的是基于三角振荡的随机性试探。两者交替生效能让种群在飞向全局最优的同时保留跳出局部最优的可能性。3. 实操实现从Circle种群初始化到主循环完整代码3.1 实验配置与基准函数选择复现这类算法实验配置必须写清楚否则后续对比没有意义。我的环境是Python 3.9 NumPy 1.24基准函数选了五个有代表性的Sphere是单峰函数用于检验收敛精度Rastrigin有大量局部极小点用于检验跳出局部最优的能力Griewank维度间存在乘积耦合综合性比较强Ackley坡度平缓且多峰是很多改进算法的“照妖镜”Schwefel 2.26的全局最优离搜索子空间边缘很远很容易陷入次优解。参数配置我用的是30个种群个体、30维、500次迭代每个函数独立跑30次记录每一代的最优值和最终最优值最后统计均值和标准差。为什么跑30次因为群智能算法随机性很强跑一次得出的结论和掷骰子没区别。具体参数如下参数取值种群规模N30维度D30最大迭代次数T500独立运行次数30感知因子c0.01w0.9→0.4抛物线递减p0.8→0.2余弦递减r0.1→0.8正弦递增a_sca2→0线性递减3.2 主循环与位置更新代码整个算法的主循环实现如下。我把Circle初始化、刺激强度转换、动态参数、SCA融合和边界反射都整合在一个函数里便于对照复现。import numpy as np def reflect(pos, lb, ub): pos np.array(pos, dtypefloat) pos np.where(pos lb, 2 * lb - pos, pos) pos np.where(pos ub, 2 * ub - pos, pos) return np.clip(pos, lb, ub) def stimulus(fit_value): # 把最小化问题转换为“刺激强度越大越好” return 1.0 / (1.0 fit_value) def boa_improved(obj_func, N30, D30, T500, lb-100, ub100): pop, _ circle_init(N, D, lb, ub) fitness np.array([obj_func(p) for p in pop]) best_idx np.argmin(fitness) g_best pop[best_idx].copy() g_best_f fitness[best_idx] c 0.01 w_max, w_min 0.9, 0.4 p_max, p_min 0.8, 0.2 r_start, r_end 0.1, 0.8 history [] for t in range(T): w w_min (w_max - w_min) * (1 - (t / T) ** 2) p p_max - (p_max - p_min) * (1 - np.cos(np.pi * t / (2 * T))) r r_start (r_end - r_start) * np.sin(np.pi * t / (2 * T)) a_sca 2.0 * (1.0 - t / T) for i in range(N): f_i c * (stimulus(fitness[i]) ** r) if np.random.rand() p: # BOA 全局搜索候选 ra np.random.rand() v_boa w * pop[i] f_i * (ra * ra * g_best - pop[i]) # SCA 候选 r2 np.random.uniform(0, 2 * np.pi) r3 np.random.uniform(0, 2) if np.random.rand() 0.5: v_sca pop[i] a_sca * np.sin(r2) * np.abs(r3 * g_best - pop[i]) else: v_sca pop[i] a_sca * np.cos(r2) * np.abs(r3 * g_best - pop[i]) # 贪婪选择更优的候选 if obj_func(v_sca) obj_func(v_boa): new_pos v_sca else: new_pos v_boa else: # BOA 局部搜索候选 choice [idx for idx in range(N) if idx ! i] j, k np.random.choice(choice, 2, replaceFalse) ra np.random.rand() new_pos w * pop[i] f_i * (ra * ra * pop[j] - pop[k]) new_pos reflect(new_pos, lb, ub) new_fit obj_func(new_pos) if new_fit fitness[i]: pop[i] new_pos fitness[i] new_fit best_idx np.argmin(fitness) g_best_f fitness[best_idx] g_best pop[best_idx].copy() history.append(g_best_f) return g_best, g_best_f, np.array(history)这里有个很关键的小经验不要把最小化问题的原始函数值直接当成刺激强度I。BOA原始文献更适合最大化问题的语境因为香味越浓的个体吸引力越强。复现时如果直接代入5000、6000这种量级的函数值f_i会非常大一步就把所有个体震到搜索空间外面去。所以代码里我用1/(1fitness)做了转换把刺激强度压到(0,1)区间同时保持了“适应值越小刺激越强”的方向。3.3 如何判断复现结果是否靠谱跑完代码之后不要只看最终一个数字要记录下来每次独立运行的最优值和收敛曲线。我通常会保存30次运行的逐代最优值然后做三件事。第一画平均收敛曲线Y轴用对数坐标因为群智能算法的收敛曲线前期下降快、后期变化慢线性坐标下后半段基本是一条直线看不出差异。第二输出最终最优值的均值和标准差标准差太大说明算法不稳定。第三把改进版和原始BOA的结果做Wilcoxon符号秩检验看改善是否显著这比“我肉眼看着图更好”有说服力得多。还有一个容易忽略的点做对比时原版BOA里也要保证种群规模、迭代次数和评估次数完全一致否则对比结果没有意义。如果发现改进版在个别函数上不如原版这很正常没有哪个算法能在所有函数上全面碾压关键是整体胜出。4. 复现路上的坑常见问题与排查技巧4.1 Circle混沌序列退化为什么生成的点“不够混沌”我复现时遇到过一个诡异现象用Circle混沌初始化30个个体画出来只有五六个位置。检查发现是混沌序列进入了短周期。原因之一是没有丢弃暂态点另一个原因是初值x取到了特殊值。Circle映射对初值和参数比较敏感一旦序列进入周期整条链就废了。快速排查方法是对每个维度的序列统计唯一值数量_, chaos circle_init(30, 30, -100, 100) for d in range(3): unique_cnt len(np.unique(np.round(chaos[:, d], 8))) print(unique_cnt)如果唯一值数量明显小于种群规模就说明该维度混沌序列退化。解决办法有三个初值加一个随机偏移丢弃前50个暂态点必要时在生成序列时每隔一个点取一个样本降低相邻点相关性。这三个操作都不改变混沌的本质只是让实际使用的序列更稳定。4.2 气味强度爆炸最小化问题上f_i异常大原版BOA公式里的f_i c * I^a在最小化基准函数上直接套用非常容易翻车。举个例子Sphere函数在d30、初始范围[-100,100]时一个随机位置的函数值可能超过10000。如果r又随着迭代涨到0.8左右c0.01那么f_i 0.01 * 10000^0.8 ≈ 2.5这还勉强能接受但在Rastrigin或Ackley上初始值更大f_i可能到几十上百新位置直接就飞出天边。所以我在代码里用1/(1fit_value)把刺激强度压缩到(0,1)再加上reflect反射边界处理这个问题才彻底消失。如果你不想改变气味强度语义也可以把每个个体的刺激强度除以当前种群最大值做归一化效果类似但要注意这种归一化会引入额外的随机性波动。4.3 正余弦扰动过大收敛曲线不但不降反而震荡加入SCA之后最容易出现的问题就是收敛曲线在后期来回震荡。SCA的a_sca初值如果保持2.0前期扰动确实不小但到了后期如果a_sca衰减不够快速正弦余弦项还会产生较大的位移把已经接近最优的个体又弹开。解决这个问题有几条路把a_sca的线性衰减改成指数衰减也就是a_sca 2 * exp(-3 * t / T)或者只在迭代前80%的阶段使用SCA最后20%完全交给BOA原始局部搜索再或者像我代码里那样对所有越界位置做反射而不是简单裁剪。反射比裁剪好在哪裁剪会把大量个体压到边界上形成一个虚假的边界聚集点反射则能把越界的个体弹回搜索空间内部保留了多样性。实测下来反射让Ackley函数上的最终精度高了一个数量级左右。4.4 改进后仍然打不过原版BOA如果你的复现结果里改进版并没有明显优于原始BOA先别急着怀疑算法有问题。我踩过的最深一个坑是原版BOA的随机初始化和改进版用同一个随机种子但原版可能会偶然生成一组非常“走运”的初始解导致它在某个函数上胜出。所以必须多次独立运行。其次要检查p和w的变化范围。p如果后期降得太低比如降到0.05几乎所有个体都去做局部搜索一旦陷入局部最优就没有拯救机会了因此p_min不要低于0.2。最后建议做消融实验单独测试Circle初始化、非线性因子、SCA融合各自的效果。我实际做下来发现Circle初始化在大部分函数上的提升是稳定的非线性因子则在收敛速度上收益明显而SCA融合如果参数调得不好反而是负优化。找到负优化点之后针对性地调整那个模块的强度比盲目加参数更有效。4.5 问题速查表症状可能原因处理办法初始化位置大量重复混沌序列退化或初值特殊丢弃暂态点、加随机偏移、提升浮点精度第一次迭代飞越边界f_i过大或步长不受控刺激强度归一化、使用反射边界后期收敛曲线震荡a_sca衰减太慢或SCA权重过大指数衰减a_sca、限制SCA使用阶段曲线停在一个平台不下降p后期过低或r变化过慢p_min调到0.2以上、加快r递增速度改进效果不稳定独立运行次数过少至少30次运行、统计均值和方差5. 复现之外的一些经验整套流程跑下来我最大的体会是算法复现不是把公式抄进代码就完事而是每个改进点背后的逻辑都要能对应到算法实际发生的环节上去。Circle混沌初始化管的是“起点分布”非线性因子管的是“过程节奏”正余弦融合管的是“位置更新方式”。三个模块之间如果参数衔接不好很容易出现模块间互相干扰。我个人的习惯是每加一个改进模块就做一次A/B测试比如先用Circle初始化替换随机初始化其他部分保持原版记录一次结果再加非线性因子再记录一次最后加SCA。这样一旦某个环节结果异常立刻能定位。另一个小技巧是把每次运行的随机种子、参数配置、最终适应度都存成CSV别只记一个平均值否则后面想回溯某个异常结果根本无从下手。复现算法这种事功夫都花在实验设计和数据记录上真不是代码本身有多难。希望这篇记录能让你在复现BOA改进时少走我走过的弯路。
1. 为什么我决定复现这个“三件套”改进蝴蝶优化算法BOA在群体智能算法里不算冷门它靠“气味浓度”来引导个体位置更新的机制很特别代码写起来也比粒子群简单。但这两年我陆陆续续看了不少BOA改进文章发现一个普遍现状直接在原始BOA上跑基准函数结果往往不够看收敛慢、后期不动、局部最优里出不来。这次我复现的这篇改进文章标题里就把组合拳写在明面上Circle混沌初始化种群、非线性因子w/p/r、融合正余弦算法。说白了就是分别在种群初始化、参数控制、位置更新三个层面各补一刀。这篇博文就把我从零复现这个组合算法的完整过程写出来包括每个改进点背后的原理、关键公式、可运行的Python核心代码以及我实际踩过的一堆坑。适合正在做群智能优化算法改进、打算复现论文又不清楚细节的人看。1.1 原始BOA的收敛逻辑以及它到底差在哪先过一遍原始BOA的核心逻辑。每只蝴蝶的位置就是一个候选解个体i会释放“香味”香味浓度的计算公式是 f_i c * I_i^ac是感知因子a是幂指数I_i是刺激强度通常取适应度相关的值。搜索过程按概率p切换全局探索和局部开采。全局探索时个体朝当前全局最优位置靠近常见更新式是 x_i^{t1} x_i^t f_i * (r^2 * g^* - x_i^t)其中g^*是当前全局最优位置局部开采时随机选两个个体j和k更新式为 x_i^{t1} x_i^t f_i * (r^2 * x_j^t - x_k^t)。这里r是[0,1]的均匀随机数。只要把这个公式拆开就能发现问题。c、a、p全是固定值意味着整个迭代过程中步长性质和搜索偏好完全不变初始种群如果只用普通均匀随机数生成在高维空间里大概率出现局部扎堆、大片区域空白的情况。更尴尬的是后期算法已经陷入局部最优了步长还是以前那个量级想跳跳不出来想精细搜索又太粗。所以原始BOA在单峰函数上表现尚可一到Rastrigin、Griewank这类多峰函数经常跑出糟糕的最终精度。1.2 三个改进点为什么能形成互补看清楚原版的三个短板标题里的三个改进就很好理解了。Circle混沌初始化是解决开局问题的混沌序列有遍历性和低相关性能让种群在搜索空间里分布更均匀避免初始解过度集中在某一小块区域。非线性因子w/p/r是解决参数僵化问题的w控制位置更新时的惯性保留比例p控制全局搜索和局部搜索的切换节奏r控制气味强度对适应度差异的敏感度三个参数都随迭代次数动态变化前期偏探索、后期偏开发。融合正余弦算法则是在位置更新算子这一层做增强正弦余弦震荡项既能提供大范围的跳跃能力又能在后期保留小步长的精细搜索补上了BOA局部搜索多样性不足的毛病。这三个模块作用在不同环节不重复组合起来逻辑是通的。但复现的时候不能一股脑全塞进去我建议先单独跑通每个模块再逐步叠加否则出了问题你根本不知道是哪个模块引起的。后文我会按这个思路把每个模块拆开讲。2. 改进点逐个拆解从Circle混沌初始化到SCA融合2.1 Circle混沌初始化种群均匀撒网避免开局“挤成一团”混沌初始化的目的不是让代码看起来高级而是真能改善初始种群在解空间中的覆盖程度。Circle混沌映射的迭代式很简单x_{k1} mod( x_k b - (a / (2π)) * sin(2π * x_k), 1 )常用参数a0.5b0.2。输出的序列被mod到[0,1)区间理论上具有较好的遍历性。和Logistic混沌、Tent混沌相比Circle的实现只多了个正弦项但分布形态更均匀不容易出现局部过密的情况。实际初始化时我对每个维度各生成一条独立的混沌序列而不是把所有维度拼成一条。这样做是为了避免维度之间的相关性问题否则种群会落在一个低维子空间里等于变相缩小了搜索范围。代码如下import numpy as np def circle_init(N, dim, lb, ub): chaos np.zeros((N, dim)) for d in range(dim): x np.random.rand() 0.1 seq [] for _ in range(N 50): x np.mod(x 0.2 - (0.5 / (2 * np.pi)) * np.sin(2 * np.pi * x), 1.0) seq.append(x) # 丢弃前50个暂态点避免混沌序列初期的异常波动 chaos[:, d] np.array(seq[50:50 N]) population lb chaos * (ub - lb) return population, chaos这里有几个细节一定要留意。第一每个维度的混沌序列初值x最好不要取0、0.25、0.5这类特殊值否则序列可能直接进入周期点第二生成序列时多产生50个点再丢掉是为了绕过混沌映射的暂态过程第三混沌序列本身对浮点精度敏感如果发现N比较大时序列出现重复可以改用np.longdouble提升中间精度。我复现时一开始没丢暂态点结果前10个个体几乎挤在同一条线上后来加了这个处理才正常。2.2 非线性因子w、p、r给BOA的三个关键旋钮加上“时间轴”原始BOA里的c、a、p都是固定常数改进文章通常会把其中一部分参数改成随迭代变化的非线性函数。标题里说的w、p、r在我复现的这篇文章背景下对应的是惯性权重w、转换概率p、气味强度幂指数r有的文章里也叫a。先说w。惯性权重的经典用法是放在位置更新式前面的系数保证个体保留一部分原有运动信息。我们这里用的是抛物线递减w(t) w_min (w_max - w_min) * (1 - (t/T)^2)w_max取0.9w_min取0.4。前期w大个体不容易被最优位置带偏能维持较高的探索能力后期w小步长跟着收缩更容易在当前最优附近做精细搜索。选择抛物线而不是线性递减是因为前段下降更快、后段变化更缓和更符合“前期快速探索、后期慢慢精修”的需求。然后是p。p在BOA里是全局搜索与局部搜索的切换概率原始版本固定为0.8有点偏高导致局部开采机会不足。改进后我用的公式是p(t) p_max - (p_max - p_min) * (1 - cos(πt / (2T)))p_max0.8p_min0.2。前期p接近0.8大多数个体做全局搜索后期p接近0.2把重心转向局部搜索。余弦形式的好处是中段过渡平滑不像线性切换那样容易产生阶段突变。最后是r。r直接影响气味浓度 f_i c * I_i^r。r较小的时候不同个体的气味强度差异被压缩种群能保持多样r较大的时候最优个体的气味被放大其他人更容易被吸过去。所以我的取值是r(t) 0.1 0.7 * sin(πt / (2T))前期接近0.1后期慢慢涨到0.8。这个参数一旦取反或者变化太快算法会在中期突然“抱团”收敛曲线直接掉进平台期。调参的时候可以优先检查r的变化曲线有没有过大。三个参数的变化趋势我整理成下面这张表方便复现时对照参数初始值终止值变化形式主要作用w0.90.4抛物线递减控制步长和历史信息残留p0.80.2余弦递减从全局搜索切换到局部搜索r0.10.8正弦递增增强最优个体的气味吸引强度2.3 正余弦算法融合用振荡项补上局部搜索的多样性正余弦算法SCA的核心思想是用正弦和余弦函数产生的振荡方向作为搜索步。标准更新式是这样X_new X a_sca * sin(r2) * |r3 * X_best - X| 当 r4 0.5 X_new X a_sca * cos(r2) * |r3 * X_best - X| 当 r4 0.5其中a_sca从2线性递减到0r2是[0,2π]的随机角度r3是[0,2]的随机系数r4是[0,1]的随机数。正弦项负责向远离最优点的方向试探余弦项负责向靠近最优点的方向细化两者配合就能在局部区域形成一种震荡搜索。融合BOA的时候我采用的方法是在全局搜索分支里同时生成两个候选位置。一个来自BOA原始公式加惯性权重记为v_boa另一个来自SCA更新式记为v_sca。然后比较两者的适应度哪个好就保留哪个。这种“贪婪选择”比直接加权平均更稳因为它保证了每代更新至少不会比BOA原本的候选更差。融合后的全局更新逻辑可以这样理解BOA提供的是基于气味梯度的方向性搜索SCA提供的是基于三角振荡的随机性试探。两者交替生效能让种群在飞向全局最优的同时保留跳出局部最优的可能性。3. 实操实现从Circle种群初始化到主循环完整代码3.1 实验配置与基准函数选择复现这类算法实验配置必须写清楚否则后续对比没有意义。我的环境是Python 3.9 NumPy 1.24基准函数选了五个有代表性的Sphere是单峰函数用于检验收敛精度Rastrigin有大量局部极小点用于检验跳出局部最优的能力Griewank维度间存在乘积耦合综合性比较强Ackley坡度平缓且多峰是很多改进算法的“照妖镜”Schwefel 2.26的全局最优离搜索子空间边缘很远很容易陷入次优解。参数配置我用的是30个种群个体、30维、500次迭代每个函数独立跑30次记录每一代的最优值和最终最优值最后统计均值和标准差。为什么跑30次因为群智能算法随机性很强跑一次得出的结论和掷骰子没区别。具体参数如下参数取值种群规模N30维度D30最大迭代次数T500独立运行次数30感知因子c0.01w0.9→0.4抛物线递减p0.8→0.2余弦递减r0.1→0.8正弦递增a_sca2→0线性递减3.2 主循环与位置更新代码整个算法的主循环实现如下。我把Circle初始化、刺激强度转换、动态参数、SCA融合和边界反射都整合在一个函数里便于对照复现。import numpy as np def reflect(pos, lb, ub): pos np.array(pos, dtypefloat) pos np.where(pos lb, 2 * lb - pos, pos) pos np.where(pos ub, 2 * ub - pos, pos) return np.clip(pos, lb, ub) def stimulus(fit_value): # 把最小化问题转换为“刺激强度越大越好” return 1.0 / (1.0 fit_value) def boa_improved(obj_func, N30, D30, T500, lb-100, ub100): pop, _ circle_init(N, D, lb, ub) fitness np.array([obj_func(p) for p in pop]) best_idx np.argmin(fitness) g_best pop[best_idx].copy() g_best_f fitness[best_idx] c 0.01 w_max, w_min 0.9, 0.4 p_max, p_min 0.8, 0.2 r_start, r_end 0.1, 0.8 history [] for t in range(T): w w_min (w_max - w_min) * (1 - (t / T) ** 2) p p_max - (p_max - p_min) * (1 - np.cos(np.pi * t / (2 * T))) r r_start (r_end - r_start) * np.sin(np.pi * t / (2 * T)) a_sca 2.0 * (1.0 - t / T) for i in range(N): f_i c * (stimulus(fitness[i]) ** r) if np.random.rand() p: # BOA 全局搜索候选 ra np.random.rand() v_boa w * pop[i] f_i * (ra * ra * g_best - pop[i]) # SCA 候选 r2 np.random.uniform(0, 2 * np.pi) r3 np.random.uniform(0, 2) if np.random.rand() 0.5: v_sca pop[i] a_sca * np.sin(r2) * np.abs(r3 * g_best - pop[i]) else: v_sca pop[i] a_sca * np.cos(r2) * np.abs(r3 * g_best - pop[i]) # 贪婪选择更优的候选 if obj_func(v_sca) obj_func(v_boa): new_pos v_sca else: new_pos v_boa else: # BOA 局部搜索候选 choice [idx for idx in range(N) if idx ! i] j, k np.random.choice(choice, 2, replaceFalse) ra np.random.rand() new_pos w * pop[i] f_i * (ra * ra * pop[j] - pop[k]) new_pos reflect(new_pos, lb, ub) new_fit obj_func(new_pos) if new_fit fitness[i]: pop[i] new_pos fitness[i] new_fit best_idx np.argmin(fitness) g_best_f fitness[best_idx] g_best pop[best_idx].copy() history.append(g_best_f) return g_best, g_best_f, np.array(history)这里有个很关键的小经验不要把最小化问题的原始函数值直接当成刺激强度I。BOA原始文献更适合最大化问题的语境因为香味越浓的个体吸引力越强。复现时如果直接代入5000、6000这种量级的函数值f_i会非常大一步就把所有个体震到搜索空间外面去。所以代码里我用1/(1fitness)做了转换把刺激强度压到(0,1)区间同时保持了“适应值越小刺激越强”的方向。3.3 如何判断复现结果是否靠谱跑完代码之后不要只看最终一个数字要记录下来每次独立运行的最优值和收敛曲线。我通常会保存30次运行的逐代最优值然后做三件事。第一画平均收敛曲线Y轴用对数坐标因为群智能算法的收敛曲线前期下降快、后期变化慢线性坐标下后半段基本是一条直线看不出差异。第二输出最终最优值的均值和标准差标准差太大说明算法不稳定。第三把改进版和原始BOA的结果做Wilcoxon符号秩检验看改善是否显著这比“我肉眼看着图更好”有说服力得多。还有一个容易忽略的点做对比时原版BOA里也要保证种群规模、迭代次数和评估次数完全一致否则对比结果没有意义。如果发现改进版在个别函数上不如原版这很正常没有哪个算法能在所有函数上全面碾压关键是整体胜出。4. 复现路上的坑常见问题与排查技巧4.1 Circle混沌序列退化为什么生成的点“不够混沌”我复现时遇到过一个诡异现象用Circle混沌初始化30个个体画出来只有五六个位置。检查发现是混沌序列进入了短周期。原因之一是没有丢弃暂态点另一个原因是初值x取到了特殊值。Circle映射对初值和参数比较敏感一旦序列进入周期整条链就废了。快速排查方法是对每个维度的序列统计唯一值数量_, chaos circle_init(30, 30, -100, 100) for d in range(3): unique_cnt len(np.unique(np.round(chaos[:, d], 8))) print(unique_cnt)如果唯一值数量明显小于种群规模就说明该维度混沌序列退化。解决办法有三个初值加一个随机偏移丢弃前50个暂态点必要时在生成序列时每隔一个点取一个样本降低相邻点相关性。这三个操作都不改变混沌的本质只是让实际使用的序列更稳定。4.2 气味强度爆炸最小化问题上f_i异常大原版BOA公式里的f_i c * I^a在最小化基准函数上直接套用非常容易翻车。举个例子Sphere函数在d30、初始范围[-100,100]时一个随机位置的函数值可能超过10000。如果r又随着迭代涨到0.8左右c0.01那么f_i 0.01 * 10000^0.8 ≈ 2.5这还勉强能接受但在Rastrigin或Ackley上初始值更大f_i可能到几十上百新位置直接就飞出天边。所以我在代码里用1/(1fit_value)把刺激强度压缩到(0,1)再加上reflect反射边界处理这个问题才彻底消失。如果你不想改变气味强度语义也可以把每个个体的刺激强度除以当前种群最大值做归一化效果类似但要注意这种归一化会引入额外的随机性波动。4.3 正余弦扰动过大收敛曲线不但不降反而震荡加入SCA之后最容易出现的问题就是收敛曲线在后期来回震荡。SCA的a_sca初值如果保持2.0前期扰动确实不小但到了后期如果a_sca衰减不够快速正弦余弦项还会产生较大的位移把已经接近最优的个体又弹开。解决这个问题有几条路把a_sca的线性衰减改成指数衰减也就是a_sca 2 * exp(-3 * t / T)或者只在迭代前80%的阶段使用SCA最后20%完全交给BOA原始局部搜索再或者像我代码里那样对所有越界位置做反射而不是简单裁剪。反射比裁剪好在哪裁剪会把大量个体压到边界上形成一个虚假的边界聚集点反射则能把越界的个体弹回搜索空间内部保留了多样性。实测下来反射让Ackley函数上的最终精度高了一个数量级左右。4.4 改进后仍然打不过原版BOA如果你的复现结果里改进版并没有明显优于原始BOA先别急着怀疑算法有问题。我踩过的最深一个坑是原版BOA的随机初始化和改进版用同一个随机种子但原版可能会偶然生成一组非常“走运”的初始解导致它在某个函数上胜出。所以必须多次独立运行。其次要检查p和w的变化范围。p如果后期降得太低比如降到0.05几乎所有个体都去做局部搜索一旦陷入局部最优就没有拯救机会了因此p_min不要低于0.2。最后建议做消融实验单独测试Circle初始化、非线性因子、SCA融合各自的效果。我实际做下来发现Circle初始化在大部分函数上的提升是稳定的非线性因子则在收敛速度上收益明显而SCA融合如果参数调得不好反而是负优化。找到负优化点之后针对性地调整那个模块的强度比盲目加参数更有效。4.5 问题速查表症状可能原因处理办法初始化位置大量重复混沌序列退化或初值特殊丢弃暂态点、加随机偏移、提升浮点精度第一次迭代飞越边界f_i过大或步长不受控刺激强度归一化、使用反射边界后期收敛曲线震荡a_sca衰减太慢或SCA权重过大指数衰减a_sca、限制SCA使用阶段曲线停在一个平台不下降p后期过低或r变化过慢p_min调到0.2以上、加快r递增速度改进效果不稳定独立运行次数过少至少30次运行、统计均值和方差5. 复现之外的一些经验整套流程跑下来我最大的体会是算法复现不是把公式抄进代码就完事而是每个改进点背后的逻辑都要能对应到算法实际发生的环节上去。Circle混沌初始化管的是“起点分布”非线性因子管的是“过程节奏”正余弦融合管的是“位置更新方式”。三个模块之间如果参数衔接不好很容易出现模块间互相干扰。我个人的习惯是每加一个改进模块就做一次A/B测试比如先用Circle初始化替换随机初始化其他部分保持原版记录一次结果再加非线性因子再记录一次最后加SCA。这样一旦某个环节结果异常立刻能定位。另一个小技巧是把每次运行的随机种子、参数配置、最终适应度都存成CSV别只记一个平均值否则后面想回溯某个异常结果根本无从下手。复现算法这种事功夫都花在实验设计和数据记录上真不是代码本身有多难。希望这篇记录能让你在复现BOA改进时少走我走过的弯路。
