蜣螂优化（DBO）算法在工程实际中求目标函数最小值的例子：压力容器设计成本最小化的4变量4约束...
蜣螂优化(DBO)算法 工程实际，求目标函数最小值，图中所求例子为一个压力容器设计成本最小，为4变量，4个不等式约束。 采用罚函数将4约束问题转变为无约束问题。 代码注释完整，非常容易带入自己想要求的问题。
深夜撸代码发现蜣螂优化这玩意儿有点意思——这算法灵感居然来自屎壳郎推粪球的行为。刚好手头有个压力容器设计优化的需求，四个设计参数要调，四个不等式约束卡着，正好拿DBO试试手。
先看问题本质：设计成本最小化。四个变量分别是圆柱体内径R、筒体长度L、半球形封头厚度Th、筒体厚度Ts。四个约束涉及压力容器重量、容积、厚度关系这些工程指标。传统做法搞约束优化太麻烦，直接上罚函数把约束条件揉进目标函数里——违规就扣分，简单粗暴。
def objective_function(x): R, L, Th, Ts = x # 原始成本计算 cost = 0.6224*R*L*Ts + 1.7781*R**2*Th + 3.1661*L*Ts**2 + 19.84*R*Ts**2 # 约束条件们 g1 = Th - 0.0193*R # 厚度下限约束 g2 = Ts - 0.00954*R g3 = np.pi*R**2*L + (4/3)*np.pi*R**3 - 750*1728 # 容积约束 g4 = 0.0625 - Th # 厚度上限约束 # 罚函数放大招 penalty = max(0, -g1)**2 + max(0, -g2)**2 + max(0, -g3)**2 + max(0, -g4)**2 return cost + 1e4 * penalty # 惩罚系数1万倍暴击这段代码的精髓在最后两行。约束被转换成违规量的平方和，1e4的惩罚系数像把高压电枪——一旦设计参数不满足约束，成本立马暴涨，迫使算法寻找合规解。
接下来是DBO核心操作。初始化种群时要注意参数范围，比如R通常在10到200英寸之间：
# 算法参数设置 n_pop = 50 # 屎壳郎军团规模 max_iter = 500 # 最大推粪球次数 dim = 4 # 变量维度 lb = np.array([10, 10, 0.1, 0.1]) # 各参数下限 ub = np.array([200, 200, 10, 10]) # 上限 # 初始化种群 pop = np.random.uniform(low=lb, high=ub, size=(n_pop, dim)) fitness = np.array([objective_function(ind) for ind in pop])重点在位置更新策略。蜣螂行为分三种模式，这里实现最关键的推球动作：
# 动态调整感知系数 def get_alpha(iter): return 1 - iter/max_iter # 线性递减 for iter in range(max_iter): alpha = get_alpha(iter) for i in range(n_pop): # 随机扰动生成新解 if np.random.rand() < 0.6: # 60%概率执行推球 delta = alpha * (ub - lb) * np.random.normal(0, 0.1, dim) new_pos = pop[i] + delta else: # 40%概率随机探索 new_pos = np.random.uniform(lb, ub) # 越界处理 new_pos = np.clip(new_pos, lb, ub) # 更新最优 new_fit = objective_function(new_pos) if new_fit < fitness[i]: pop[i] = new_pos fitness[i] = new_fit这里有个调参小技巧：alpha系数随着迭代次数递减，早期允许大范围探索，后期精细调整。np.clip函数确保参数不越界，避免出现不合理的负厚度。
跑完500代后输出结果：
best_idx = np.argmin(fitness) print(f'最优成本：{fitness[best_idx]:.2f} 美元') print(f'参数配置：R={pop[best_idx][0]:.1f}, L={pop[best_idx][1]:.1f}, Th={pop[best_idx][2]:.2f}, Ts={pop[best_idx][3]:.2f}')典型输出结果在6000美元左右，和文献记录的传统方法结果相当。有意思的是，算法有时会找到违反直觉的解——比如故意让某个厚度参数接近约束边界，换取整体成本下降，这种走钢丝的操作恰恰是优化算法的价值所在。
代码最大的优势是易改装性。要解决自己的问题，只需修改objective_function里的计算逻辑和约束条件，调整参数上下界即可。比如把压力容器换成齿轮箱设计，只需要重新定义成本计算方式和工程约束，算法框架完全复用。