单目标优化：蜣螂优化算法（Dung beetle optimizer，DBO）求解CEC2017（2017 IEEE Conference on Evolutionary Computation）

蜣螂优化算法（Dung beetle optimizer，DBO）由Jiankai Xue和Bo Shen于2022年提出，该算法主要受蜣螂的滚球、跳舞、觅食、偷窃和繁殖行为的启发所得。

一、蜣螂优化算法

1.1蜣螂滚球

（1）当蜣螂前行无障碍时，蜣螂在滚粪球过程中会利用太阳进行导航，下图中红色箭头表示滚动方向

本文假设光源的强度会影响蜣螂的位置，蜣螂在滚粪球过程中位置更新如下：

$$\begin{array}{rl}{x}_i(t+1)& =x_i(t)+\alpha \times k\times x_i(t-1)+b\times \Delta x,\\ \Delta x& =\left|x_i(t)-X^w\right|\end{array}$$
其中，$t$表示当前迭代次数，$x_i(t)$表示第$i$次蜣螂在第t次迭代中的位置信息，$k\in (0,0.2]$为扰动系数，$b$为 $(0,1)$ 之间的随机数，$\alpha$取 -1 或 1 ，$X^w$表示全局最差位置，$\Delta x$用于模拟光的强度变化。
其中，$\alpha$的取值采用算法1：

（2）当蜣螂遇到障碍物无法前进时，它需要通过跳舞来重新调整自己，以获得新的路线。本文使用切线函数来模仿跳舞行为，以此获得新的滚动方向，滚动方向仅考虑为$[0,\pi ]$之间。

蜣螂一旦成功确定新的方向，它应该继续向后滚动球。蜣螂的位置更新如下：
$$x_i(t+1)=x_i(t)+\tan (\theta )\left|x_i(t)-x_i(t-1)\right|$$
其中，$\theta$为偏转角，其取值为$[0,\pi ]$，采用算法2：

1.2蜣螂繁殖

在自然界中，雌性蜣螂将粪球被滚到适合产卵的安全地方并将其隐藏起来，以此为后代提供一个安全的环境。受此启发，因而提出了一种边界选择策略以此模拟雌性蜣螂产卵的区域：
$$\begin{array}{l}L{b}^{\ast }=\max \left(X^{\ast }\times (1-R),Lb\right)\\ U{b}^{\ast }=\min \left(X^{\ast }\times (1+R),Ub\right)\end{array}$$
其中，$X^{\ast }$表示当前最优位置，$L{b}^{\ast }$和$U{b}^{\ast }$分别表示产卵区的下限和上限，$R=1-t/T_{max}$，$T_{max}$表示最大迭代次数，$Lb$和$Ub$分别表示优化问题的下限和上限。
雌性蜣螂一旦确定了产卵区，就会选择在该区域育雏球产卵。每只雌性蜣螂在每次迭代中只产生一个卵，可以看出，产卵区的边界范围是动态变化的，主要由R值决定。因此，育雏球的位置在迭代过程中也是动态的，其定义如下：
$$B_i(t+1)=X^{\ast }+b_1\times \left(B_i(t)-L{b}^{\ast }\right)+b_2\times \left(B_i(t)-U{b}^{\ast }\right)$$
其中，$B_i(t)$表示第t次迭代中第 i个育雏球的位置信息，$b_1$和$b_2$均为1×D的随机向量，D表示优化问题的维度。
产卵区的选择如算法3所示：

1.3蜣螂觅食

雌性蜣螂所产的卵会逐渐长大，一些已经成熟的小蜣螂会从地下出来寻找食物，小蜣螂的最佳觅食区建模如下：
$$\begin{array}{l}L{b}^b=\max \left(X^b\times (1-R),Lb\right)\\ U{b}^b=\min \left(X^b\times (1+R),Ub\right)\end{array}$$
其中，$X^b$表示全局最优位置，$L{b}^b$和$U{b}^b$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：
$$x_i(t+1)=x_i(t)+C_1\times \left(x_i(t)-L{b}^b\right)+C_2\times \left(x_i(t)-U{b}^b\right)$$
其中，$x_i(t)$表示第t次迭代中第i只小蜣螂在的位置，$C_1$是服从正态分布的随机数，$C_2$为(0,1)的随机向量。

1.4蜣螂偷窃

另一方面，一些蜣螂从其他蜣螂那里偷粪球，盗贼蜣螂的位置更新如下：

$$x_i(t+1)=X^b+S\times g\times \left(\left|x_i(t)-X^{\ast }\right|+\left|x_i(t)-X^b\right|\right)$$
其中，$x_i(t)$表示在第t次迭代中第i个盗贼蜣螂的位置，g为服从正态分布的1×D随机向量，S为常数。

1.5算法描述

滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂的比例分布如下：

DBO算法描述如下：

参考文献：Xue, J., Shen, B. Dung beetle optimizer: a new meta-heuristic algorithm for global optimization. J Supercomput (2022). https://doi.org/10.1007/s11227-022-04959-6

二、CEC2017简介

CEC2017（（2017 IEEE Conference on Evolutionary Computation））共有30个无约束测试函数分别是：单峰函数(F1-F3)、简单多峰函数(F4-F10)、混合函数(F11-F20)和组合函数(F21~F30)。测试维度包含：10D、30D、50D、100D。CEC2017无约束测试问题随着维度的增加求解极其困难。

三、求解结果

将蜣螂优化算法DBO运用于求解CEC2017中30个无约束函数，其中每个测试函数可以选择的维度分别有：10D、30D、50D、100D。增大迭代次数，SSA的求解效果更佳。本例测试函数维度均为为10D（可根据自己需求调整），最大迭代次数为100次。

close all
clear 
clc代码链接：https://pan.baidu.com/s/11I6eMyMU3k-UHfUu1O_mIA 
提取码：1234Function_name=1; %测试函数1-30
lb=-100;%变量下界
ub=100;%变量上界
dim=10;%维度 10/30/50/100
SearchAgents_no=100; % Number of search agents
Max_iteration=100;%最大迭代次数
ObjectiveFunction=str2func('cec17_func');
[Best_score,Best_pos,Curve]=DBO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
figure
% Best convergence curve
semilogy(Curve,'Color','r')
title(strcat('CEC2017-F',num2str(Function_name)))
xlabel('迭代次数');
ylabel('适应度值');
axis tight
box on
legend('DBO')
display(['The best solution is : ', num2str(Best_pos)]);
display(['The best optimal value of the objective funciton is : ', num2str(Best_score)]);

3.1 F1：

3.2 F2：

3.3 F3：

3.4 F4：

3.5F5：

3.6F6：

3.7F7：

3.8F8：

四、参考代码

源文件夹包含DBO求解CEC2017的所有代码，测试函数共30个。每个函数可选择维度分别为：10、30、50与100。直接点击Main.m文件直接运行，支持二次开发。