蜣螂优化算法（Dung Beetle Optimizer, DBO）是一种受蜣螂自然行为启发的群智能优化算法，于2022年底提出，具有寻优能力强、收敛速度快的特点。一、算法背景与生物行为基础蜣螂（屎壳郎）是自然界中以动物粪便为食的昆虫，承担分解者角色，对生态系统至关重要。其典型行为包括：滚球行为：蜣螂将粪便滚成球并快速移动，防止被其他蜣螂竞争；利用天体线索（太阳、月亮、偏振光）导航，使粪球沿直线滚动。若失去光源或受自然因素（风、地面不平）干扰，路径会弯曲甚至呈圆形。跳舞行为：遇到障碍物时，蜣螂会爬到粪球上旋转或停顿，重新确定运动方向。繁殖行为：将部分粪球埋入地下，雌性蜣螂在其中产卵，粪球为幼虫提供发育场所和食物。觅食与偷窃行为：蜣螂会主动寻找食物源，同时可能偷窃其他蜣螂的粪球。二、算法设计：四个核心过程DBO算法通过数学建模模拟蜣螂的五种自然行为，构建了四个优化过程：滚球行为（Ball-Rolling）模拟蜣螂滚动粪球时的直线导航与障碍规避。在算法中，个体（蜣螂）根据目标函数（光源）调整移动方向，若陷入局部最优（类似失去光源），则通过“跳舞”行为（随机扰动）重新探索搜索空间。数学模型中引入动态步长和方向调整机制，平衡全局探索与局部开发。繁殖行为（Breeding）模拟蜣螂将粪球用于产卵和幼虫培育的过程。在算法中，部分优质解（粪球）被选中作为“繁殖点”，通过遗传操作（如交叉、变异）生成新解（幼虫），增强种群多样性。繁殖过程优先选择适应度高的个体，模拟自然选择中的“优胜劣汰”。觅食行为（Foraging）模拟蜣螂主动寻找食物源的行为。在算法中，个体根据当前解的质量和邻域信息，动态调整搜索策略，向更优区域移动。引入自适应搜索半径，避免过早收敛。偷窃行为（Thieving）模拟蜣螂偷窃其他个体粪球的行为。在算法中，部分个体通过随机或定向策略“窃取”其他个体的优质解片段，加速收敛。偷窃行为增加了种群间的信息交互，防止算法陷入局部最优。三、算法特点与优势寻优能力强：通过模拟蜣螂的多行为策略，算法在复杂搜索空间中能有效定位全局最优解。收敛速度快：动态步长调整和繁殖机制加速了种群进化，尤其适用于高维优化问题。鲁棒性高：跳舞行为和偷窃行为增强了算法对局部最优的规避能力，适用于非线性、多峰函数优化。生物合理性：算法设计严格遵循蜣螂的自然行为逻辑，数学模型具有明确的生物学解释。四、应用与扩展典型应用场景：工程优化（如结构设计）、机器学习超参数调优、物流路径规划等。研究团队背景：提出团队曾研发麻雀搜索算法（Sparrow Search Algorithm），在群智能优化领域具有丰富经验。资源获取：QQ讨论群：439115722（提供源码、论文）。MATLAB代码：可通过群文件或开源平台下载。英文文献：Springer链接。中文介绍：百度百科“蜣螂优化算法”词条。五、总结DBO算法通过创新性地融合蜣螂的滚球、繁殖、觅食和偷窃行为，构建了一种高效、鲁棒的群智能优化框架。其生物启发的设计理念和数学严谨性，为解决复杂优化问题提供了新思路，未来在工程和计算智能领域具有广阔应用前景。