1. 项目概述最近在优化算法圈子里白鲨优化算法White Shark Optimizer, WSO的讨论热度挺高。这个算法是2022年才被正式提出的灵感来源于大白鲨在海洋中的捕猎行为属于一种比较新颖的元启发式算法。我研究了一段时间发现它在处理一些单目标优化问题上尤其是在高维、非凸、多峰问题上表现出了不错的收敛速度和寻优精度。很多朋友在后台留言想了解这个算法的原理更希望能有一个可以直接上手跑的Matlab代码。所以今天我就把自己这段时间的复现、测试和调优经验整理出来手把手带你从零理解WSO并提供一个经过我实测验证、注释清晰的Matlab源码框架。无论你是刚接触优化算法的学生还是需要在项目中快速应用一个可靠求解器的工程师这篇文章都能让你快速掌握核心要点避开我踩过的那些坑。2. 白鲨优化算法WSO核心原理拆解理解一个算法最好的方式就是先弄明白它模仿的是什么以及为什么这么模仿有效。WSO的灵感来源非常直观大白鲨是海洋顶级的捕食者它的捕猎策略高效而智能。算法将这种策略抽象为三个核心行为1. 基于猎物气味的移动探索、2. 向最优个体靠拢开发、以及3. 鱼群效应避免局部最优。下面我们来逐一拆解。2.1 算法背后的生物灵感与数学模型映射大白鲨的捕猎不是瞎逛它主要依赖嗅觉来定位远处的猎物探索阶段一旦接近猎物区域视觉和感知变得更重要它会快速冲向最有可能的猎物位置开发阶段。同时鲨鱼之间也存在某种信息共享比如某片海域食物丰富可能会吸引更多鲨鱼但过度的聚集又会驱散鱼群这间接帮助了种群探索更广的区域。在WSO中我们用一群“白鲨”即候选解来模拟这个过程猎物气味/声音 对应的是当前种群中其他较优个体的位置信息。鲨鱼能感知到这些信息并受其吸引。最优猎物位置 就是当前找到的全局最优解。所有鲨鱼都有向这个位置靠拢的趋势。鱼群效应 通过一个随机扰动项来模拟确保鲨鱼不会完全扎堆从而维持种群的多样性避免过早收敛到局部最优。算法的核心迭代公式正是对这三种行为的数学融合。鲨鱼位置更新公式是算法的引擎它不是一个固定的公式而是一个随着迭代次数动态调整权重的过程前期侧重探索满世界找可能有的猎物区后期侧重开发在最有希望的区域精细搜索。2.2 位置更新公式的深度解读WSO的位置更新公式是它的精髓我们把它拆开来看。对于第i只鲨鱼在t1代的位置它主要由三部分贡献第一部分向其他优秀个体学习探索主力新位置 旧位置 旧位置 ⊙ 一个基于最优解和随机解的向量这里的⊙是逐元素乘法。这一部分可以理解为鲨鱼感知到“某个方向传来了更强的猎物信号”这个信号是当前全局最优解和种群中另一个随机选取的较优解的综合体现。它让鲨鱼有能力跳出自己当前的小圈子向种群发现的更有希望的区域移动。公式中有一个关键参数p1它是一个随着迭代次数增加而线性减小的值。这意味着在算法初期这部分的影响很大鼓励鲨鱼广泛探索到了后期影响减弱因为该探索的已经探索得差不多了。第二部分向当前全局最优解冲刺开发主力新位置 旧位置 全局最优解 - 旧位置 ⊙ 一个衰减因子这部分非常直接就是让鲨鱼朝着目前已知最好的位置全局最优解Best_pos游去。衰减因子通常是一个介于0和1之间的随机数或函数确保冲刺的步长是受控的而不是一步到位。这部分在算法后期占据主导地位实现局部精细搜索。第三部分随机游走与鱼群效应跳出局部最优新位置 旧位置 一个随机扰动这个随机扰动通常服从某种分布如正态分布。它的作用是为更新过程注入随机性模拟海洋中的水流扰动或其他鲨鱼活动带来的影响。它可以防止所有鲨鱼过快、过整齐地收敛到同一个点是维持种群多样性、避免早熟收敛的关键安全阀。它的强度通常也会随着迭代而衰减。注意 在实际的WSO论文和代码实现中以上三个部分并非简单相加而是通过一个巧妙的机制进行选择或融合。例如算法可能会根据一个随机概率来决定本次更新是侧重“探索”还是“开发”或者将向最优个体冲刺的行为与随机扰动结合起来。但无论如何其思想内核都离不开上述三个方面的平衡。2.3 WSO的核心参数与调优逻辑每个元启发式算法都有几个“旋钮”调好了事半功倍。WSO的主要参数不多理解它们的作用至关重要种群数量N 即有多少只“白鲨”。这是计算开销和搜索能力之间的权衡。N太小搜索能力弱容易陷入局部最优N太大每次迭代计算成本高。对于大多数中小规模问题维度100N设置在30到100之间是个不错的起点。我的经验是问题越复杂、维度越高可以适当增大N但通常不超过200。最大迭代次数Max_iter 算法运行多久。这是停止条件之一。设置太小算法可能还没收敛设置太大浪费计算资源。通常需要结合收敛曲线来判断。一个实用的方法是先设一个较大的值比如500或1000观察最优值是否在后期已基本稳定不变然后据此调整。参数p1的初始值和衰减率 这个参数直接控制着“探索”行为的强度衰减速度。初始值p1_max通常设为1或一个接近1的值最终值p1_min接近0。衰减方式通常是线性衰减。p1衰减得快算法会更快进入开发阶段可能错过全局最优衰减得慢则探索更充分但收敛速度可能较慢。这是一个关键的调优点。随机扰动项的幅度如w 控制随机游走的强度。幅度太大会破坏收敛稳定性使算法像无头苍蝇幅度太小则跳出局部最优的能力弱。这个幅度通常也设计成随着迭代衰减。调优心得 对于陌生的新问题我的建议是先使用论文或通用代码中的默认参数跑一遍观察收敛情况。如果发现收敛过早曲线很早就平了但结果不好可以尝试增大种群N、减慢p1的衰减速度、或适当增大初始随机扰动来增强探索。如果发现收敛震荡厉害迟迟无法稳定在一个好值上则可以减小随机扰动、加快p1衰减来加强开发。记住没有一套参数放之四海而皆准理解其原理后进行的微调才是高效的。3. 单目标优化问题与WSO求解框架搭建在深入代码之前我们必须明确我们要用WSO解决什么问题以及如何将实际问题“喂”给算法。3.1 单目标优化问题的标准建模单目标优化问题简单说就是在满足一定限制条件下找到一个解使得某个目标函数的值最好最小或最大。数学上通常表示为最小化 f(x) 约束条件: g_i(x) 0, i1,...,m h_j(x) 0, j1,...,p x_lb x x_ub其中x是决策变量向量f(x)是目标函数g_i和h_j是不等式和等式约束x_lb和x_ub是变量的上下界。对于WSO这类元启发式算法处理约束是一个常见难点。常用的方法有罚函数法 将约束违反的程度作为一个惩罚项加到目标函数f(x)上将约束问题转化为无约束问题。这是最通用、最易实现的方法。关键技巧在于惩罚系数的选择太小约束不起作用太大会掩盖真实目标函数导致搜索困难。通常可以从一个较小的值开始尝试。可行解优先规则 在比较两个解的优劣时总是优先选择满足所有约束的解如果都可行则比较目标函数值如果都不可行则选择约束违反程度小的解。这种方法在代码逻辑上需要小心处理。在我们的Matlab实现中为了代码清晰和通用性我会先采用罚函数法来展示因为它能无缝融入现有的无约束算法框架。3.2 Matlab实现WSO的代码架构设计一个清晰、模块化的代码架构不仅便于理解更利于后续的修改和调试。我的WSO Matlab工程通常包含以下核心文件或模块主脚本 (main_wso.m) 这是程序的入口。负责设置问题参数维度、上下界、算法参数N, Max_iter等、调用优化函数并最终输出结果和绘制收敛曲线。目标函数文件 (objective_function.m) 这里定义了你要优化的f(x)。为了通用性这个函数应该能接受一个解向量x作为输入返回一个标量值。如果需要处理约束罚函数也在这里计算并叠加。WSO核心优化器 (white_shark_optimizer.m) 这是算法的核心。它接收目标函数句柄、问题维度、上下界、算法参数等执行完整的WSO迭代流程并返回找到的最优解、最优值以及历史最优值记录用于画收敛曲线。辅助函数 如边界处理函数确保鲨鱼位置不超出搜索空间、可视化函数等。代码设计心得 一定要把算法逻辑和问题定义分开。white_shark_optimizer.m不应该知道你要优化的是电机参数还是神经网络权重它只关心如何根据给定的函数f(x)去找最小值。这种分离使得你的WSO代码可以像一个“黑盒”工具一样轻松应用到任何其他单目标问题上只需更换objective_function.m即可。3.3 关键步骤的Matlab伪代码描述让我们抛开具体语法用逻辑流来看WSO在Matlab中是如何一步步运行的1. **初始化**: - 在搜索空间内随机生成N个鲨鱼的初始位置一个 N x dim 的矩阵。 - 计算所有初始鲨鱼的目标函数值。 - 找出初始全局最优位置 Best_pos 和最优值 Best_fit。 - 初始化历史最优值记录数组。 2. **开始迭代 (for t 1 to Max_iter)**: a. **更新算法参数** 计算当前迭代下的 p1(t)更新随机扰动强度等。 b. **对种群中每一只鲨鱼 i (for i 1 to N)**: i. 根据当前参数和随机数选择或组合位置更新策略探索/开发。 ii. 计算鲨鱼i的新位置 new_position。 iii. **边界检查** 确保 new_position 的每个维度都在 [lb, ub] 范围内。常用方法是“反射”或“随机重置”。 iv. 计算新位置对应的目标函数值 new_fitness。 v. **贪婪选择** 比较 new_fitness 和鲨鱼i原来的适应度值。如果新位置更好则更新鲨鱼i的位置和适应度否则保持原样。 c. **更新全局最优** 遍历更新后的整个种群如果发现有比当前 Best_fit 更优的适应度值则更新 Best_pos 和 Best_fit。 d. **记录** 将本代的 Best_fit 存入历史记录数组。 3. **输出结果**: - 返回最终的 Best_pos最优解Best_fit最优值。 - 返回历史最优值数组用于分析收敛性。这个流程清晰地展示了“评估-更新-选择”的循环它是绝大多数元启发式算法的共同骨架。4. 核心Matlab源码逐行解析与注释接下来我们进入实战环节。我将提供一个高度可读、注释详细的WSO核心函数white_shark_optimizer.m的代码并解释关键行。请注意为了适应不同读者的需求这里会先给出一个标准版本的框架。function [Best_pos, Best_fit, Convergence_curve] white_shark_optimizer(N, Max_iter, lb, ub, dim, fobj) % 白鲨优化算法 (WSO) % 输入参数 % N: 种群大小 (白鲨数量) % Max_iter: 最大迭代次数 % lb: 变量下界向量 (1 x dim) % ub: 变量上界向量 (1 x dim) % dim: 问题维度 (决策变量个数) % fobj: 目标函数句柄 (例如 sphere) % 输出参数 % Best_pos: 找到的最优解 (1 x dim) % Best_fit: 最优解对应的目标函数值 % Convergence_curve: 每次迭代的最优值记录 (1 x Max_iter) % 1. 初始化种群和适应度 % 在搜索空间内随机生成初始位置 X initialization(N, dim, ub, lb); % 计算初始适应度 fitness zeros(1, N); for i 1:N fitness(i) fobj(X(i, :)); end % 找到初始全局最优 [Best_fit, idx] min(fitness); Best_pos X(idx, :); % 初始化收敛曲线记录 Convergence_curve zeros(1, Max_iter); Convergence_curve(1) Best_fit; % 第1代记录初始最优 % 2. WSO算法参数设置 (可根据论文调整) p1_max 0.9; % 探索参数初始值 p1_min 0.2; % 探索参数最终值 w_max 0.8; % 随机扰动初始强度 w_min 0.1; % 随机扰动最终强度 % 3. 主迭代循环 for t 2:Max_iter % 从第2代开始第1代已记录 % 3.1 计算当前迭代的动态参数 (线性衰减) p1 p1_max - (p1_max - p1_min) * (t / Max_iter); w w_max - (w_max - w_min) * (t / Max_iter); % 3.2 更新每只白鲨的位置 for i 1:N % 策略选择根据随机数与p1比较决定偏向探索还是开发 if rand p1 % 探索行为向其他优秀个体学习 % 随机选择一个不同于i的个体 r1 randi([1, N]); while r1 i r1 randi([1, N]); end % 计算基于最优解和随机个体的引导向量 A abs(Best_pos - X(r1, :)); % 更新位置 (公式简化示意实际论文公式更复杂) new_pos X(i, :) rand(1, dim) .* A; else % 开发行为向当前最优解冲刺并添加随机扰动 % 计算朝向最优解的方向 D Best_pos - X(i, :); % 更新位置向最优解移动 随机游走 new_pos X(i, :) rand(1, dim) .* D w * randn(1, dim); end % 3.3 边界处理确保新位置在搜索空间内 % 采用“反射”边界处理越界则反弹回界内 for j 1:dim if new_pos(j) lb(j) new_pos(j) lb(j) (lb(j) - new_pos(j)); % 反射 if new_pos(j) ub(j) % 反射后可能从另一侧越界钳制 new_pos(j) ub(j); end elseif new_pos(j) ub(j) new_pos(j) ub(j) - (new_pos(j) - ub(j)); % 反射 if new_pos(j) lb(j) new_pos(j) lb(j); end end end % 3.4 评估新位置 new_fit fobj(new_pos); % 3.5 贪婪选择如果新位置更好则替换旧位置 if new_fit fitness(i) X(i, :) new_pos; fitness(i) new_fit; end % 注意这里也可以选择先更新所有位置再统一评估但逐次更新更稳定。 end % 3.6 更新全局最优解 [current_best_fit, idx] min(fitness); if current_best_fit Best_fit Best_fit current_best_fit; Best_pos X(idx, :); end % 3.7 记录本次迭代的最优值 Convergence_curve(t) Best_fit; % 可选在命令行显示进度 if mod(t, 100) 0 disp([迭代次数: , num2str(t), 最优值: , num2str(Best_fit)]); end end end % 辅助函数种群初始化 function Positions initialization(N, dim, ub, lb) % 简单随机初始化 Boundary_no size(ub, 2); % 变量边界数量 if Boundary_no 1 Positions rand(N, dim) .* (ub - lb) lb; else % 每个维度上下界不同 Positions zeros(N, dim); for i 1:dim Positions(:, i) rand(N, 1) .* (ub(i) - lb(i)) lb(i); end end end关键代码段解析与避坑指南动态参数p1和w 第35-36行我采用了最简单的线性衰减公式。这是算法的“节奏控制器”。在实际更复杂的WSO论文实现中衰减可能不是线性的或者p1的定义和用法更复杂。这里是第一个可以改进和实验的点。你可以尝试指数衰减、余弦衰减等观察对算法性能的影响。位置更新策略第41-56行 这是算法的核心逻辑。我实现了一个简化版本以概率p1执行探索否则执行开发。探索行为是向一个随机选出的较优个体学习开发行为是向全局最优解靠近并加上随机扰动。请注意原始WSO论文中的公式可能包含速度项、惯性权重等更精细的控制。这里的简化版便于理解但你可以根据论文精确复现。边界处理第59-73行 这是非常容易出错但至关重要的部分。我使用了“反射”方法即当位置超出边界时将它“弹回”搜索空间。例如如果下界是0位置算出来是-0.2则反射为0.2。这种方法比简单地将越界值设置为边界值钳制能更好地保持种群多样性。务必为每个维度单独处理边界。贪婪选择第78-81行 只有在新位置的目标函数值严格优于旧位置时才更新鲨鱼的位置。这是保证算法收敛性的关键。千万不要写成否则在平坦区域可能导致不必要的震荡。全局最优更新第86-90行 在更新完所有鲨鱼后需要重新扫描整个种群确保Best_pos和Best_fit记录的是绝对最优值。这一步不能省略。5. 实战测试从标准函数到自定义问题理论再好不如跑一跑。我们用一个经典的测试函数——Sphere函数来验证我们的WSO实现。Sphere函数是一个简单的单峰凸函数全局最小值在原点常用于检验算法的基本收敛性能。5.1 测试案例Sphere函数优化首先创建目标函数文件sphere_function.mfunction y sphere_function(x) % Sphere函数 最优值 f(0,0,...,0) 0 y sum(x.^2); end然后编写主脚本main_test_sphere.mclear all; close all; clc; % 1. 问题定义 dim 30; % 维度设为30增加一点难度 lb -100 * ones(1, dim); % 下界 ub 100 * ones(1, dim); % 上界 fobj sphere_function; % 目标函数句柄 % 2. 算法参数设置 N 50; % 种群大小 Max_iter 500; % 最大迭代次数 % 3. 运行WSO优化器 [Best_pos, Best_fit, Convergence_curve] white_shark_optimizer(N, Max_iter, lb, ub, dim, fobj); % 4. 显示结果 disp( 优化结果 ); disp([找到的最优解: , num2str(Best_pos(1:min(5,end))), ...]); % 只显示前5维 disp([最优目标函数值: , num2str(Best_fit)]); % 5. 绘制收敛曲线 figure; plot(1:Max_iter, Convergence_curve, LineWidth, 2); xlabel(迭代次数); ylabel(最优目标函数值 (对数坐标)); title(WSO优化Sphere函数收敛曲线); set(gca, YScale, log); % 使用对数坐标更容易观察后期收敛情况 grid on;运行这个脚本你应该能看到算法在500代内将Sphere函数优化到一个非常接近0的值例如1e-30量级并且收敛曲线平滑下降。这说明我们的WSO实现基本功能是正常的。5.2 如何适配你的自定义问题假设你现在有一个自己的工程优化问题比如要优化一个机器学习模型的超参数如学习率、正则化系数或者一个机械结构的设计参数。你需要做以下几步定义你的目标函数 创建一个新的.m文件例如my_problem.m。这个函数的输入是一个向量x代表一组参数输出是一个标量代表这组参数的性能指标如预测误差的负数因为我们默认求最小化。function cost my_problem(x) % x(1): 参数A, x(2): 参数B, ... % 根据你的实际问题计算代价 % 例如 model_error train_and_evaluate_model(x); % cost model_error; % WSO默认求最小化所以误差直接作为cost % 如果有约束使用罚函数 % penalty 0; % if x(1) x(2) 10 % 违反约束示例 % penalty 1e6 * (x(1)x(2)-10)^2; % 惩罚项 % end % cost original_cost penalty; end修改主脚本将fobj sphere_function;改为fobj my_problem;。根据你的问题确定dim参数个数、lb和ub每个参数的合理取值范围。调整N和Max_iter。更复杂的问题可能需要更大的种群和更多的迭代次数。运行并分析 运行主脚本观察收敛曲线和最终结果。如果结果不理想回到2.3节回顾参数调优建议进行调整。5.3 性能对比与结果分析技巧单独看一个算法的结果可能不够有说服力。一个良好的习惯是将其与一两个经典算法如粒子群优化PSO、遗传算法GA在同一个测试函数上进行对比。简易对比方法为PSO或GA找到可靠的Matlab开源实现网上有很多。在相同的问题设置dim, lb, ub、相同的最大函数评价次数如N * Max_iter下运行。比较它们的最终收敛精度谁找到的值更优和收敛速度谁的曲线下降更快。结果分析注意事项随机性 元启发式算法具有随机性单次运行的结果可能有偶然性。务必进行多次独立运行比如30次然后统计平均最优值、标准差、最优值、最差值等指标这样得出的结论才更可靠。收敛曲线 使用对数坐标set(gca, YScale, log)绘制收敛曲线可以更清晰地观察算法后期的收敛行为。统计检验 如果你想严谨地说明WSO是否显著优于另一个算法可以对多次运行的结果进行非参数统计检验如Wilcoxon秩和检验。6. 常见问题排查与进阶调优技巧在实际使用中你肯定会遇到各种问题。下面是我在复现和应用WSO时遇到的一些典型情况及解决方法。6.1 算法不收敛或收敛到错误值症状 最优值在迭代过程中几乎不下降或者收敛到一个明显偏离理论最优的值。可能原因与排查目标函数实现错误 这是最常见的原因用已知最优解的点例如Sphere函数的零点代入你的my_problem函数看输出是否接近理论最优值。如果不是先检查目标函数代码。边界处理过于严苛 如果你用的是简单的“钳制”越界为边界值 (new_pos(j) lb(j))可能会导致大量个体聚集在边界上破坏搜索。改用“反射”或“随机重置”边界处理方法如我代码中所用。探索能力不足 参数p1衰减太快或者初始p1_max太小导致算法过早进入局部开发。尝试增大p1_max如从0.9调到1.2或减小衰减速度修改线性衰减公式的系数。种群多样性丧失过快 随机扰动w太小。尝试增大w_max或者在位置更新公式中加入更多随机性。贪婪选择逻辑错误 确保你是在最小化目标函数。如果你的问题是最大化需要将比较符号从改为。6.2 收敛速度过慢症状 收敛曲线下降缓慢需要很多代才能达到一个可接受的值。可能原因与排查开发能力不足 向全局最优解靠拢的步长太小。检查开发行为的位置更新公式确保朝向最优解的方向向量D被合理地缩放。可以尝试引入一个学习因子或自适应步长。种群规模N太大或太小 N太大每代计算开销大N太小探索能力弱可能需要更多代来覆盖搜索空间。对于30维的Sphere函数50-100的N是合理的。对于更高维或更复杂的问题可以尝试增加到100-200。参数p1衰减太慢 算法长时间处于探索模式精细搜索不足。尝试减小p1_min或加快衰减速度。6.3 处理复杂约束的进阶技巧前面的罚函数法简单但惩罚系数难调。这里分享两个更稳定的方法自适应罚函数 不要让惩罚系数固定不变。在迭代初期可以设置较小的惩罚系数允许算法在一定程度上探索不可行域因为有时跨越不可行域是到达全局最优可行域的捷径。在迭代后期逐渐增大惩罚系数迫使算法收敛到可行域内。% 在迭代循环内 current_penalty penalty_max * (t / Max_iter); % 线性增加 % 或者 current_penalty penalty_max * (1 - exp(-10*t/Max_iter)); % 非线性增加可行性规则Feasibility Rules 在比较两个解时遵循以下优先级 a. 可行解总是优于不可行解。 b. 两个可行解之间目标函数值小的更优。 c. 两个不可行解之间约束违反总量小的更优。 这种方法完全避免了惩罚系数的设置但需要在算法选择操作贪婪选择、全局最优更新中嵌入这套比较逻辑。6.4 代码调试与性能优化建议可视化中间过程 对于2维问题可以在每次迭代后绘制种群分布散点图直观观察鲨鱼是如何探索和聚集的。这能帮你理解参数调整的效果。使用Profiler Matlab的profile工具可以帮你分析代码的运行时间热点。如果目标函数计算非常耗时例如调用了一个复杂的仿真模型那么WSO算法本身的开销几乎可以忽略优化重点应放在如何减少目标函数的调用次数或加速目标函数计算上。向量化操作 在我的示例代码中对鲨鱼的更新是串行循环。如果目标函数fobj支持向量化输入即能一次性计算多个解你可以尝试将种群矩阵X一次性传入从而利用Matlab的矩阵运算优势大幅提升速度。但这需要改写目标函数和算法更新逻辑。最后记住元启发式算法更像是“艺术”而不是“精密科学”。WSO提供了一个强大的搜索框架但它的最佳性能往往需要通过针对具体问题进行耐心和基于理解的调参来激发。希望这个详细的指南和代码框架能成为你探索和解决优化问题的有力起点。多实验多观察收敛曲线你会对这种受自然启发的智能有更深的体会。