白鲨优化算法(WSO)原理详解与Matlab实现：解决复杂优化问题

1. 项目概述：从“鱼群”到“白鲨”的优化新思路

最近在折腾一个老项目，需要给一个复杂的工程模型找最优参数。这玩意儿目标函数计算一次就得跑上十几秒，传统的梯度下降法在这种场景下基本就是“罚站”，全局搜索算法像遗传算法、粒子群优化（PSO）又感觉收敛速度不够快，调参调得我头大。就在我四处翻论文找新思路的时候，偶然看到了“白鲨优化算法”（White Shark Optimizer, WSO）。这名字一听就挺有意思，不像那些“改进的”、“增强的”算法标题那么枯燥。深入了解后，我发现它还真不是噱头，其灵感来源于海洋顶级掠食者——大白鲨的狩猎行为，将速度、嗅觉和社交学习机制抽象成数学模型，在解决高维、非凸、计算昂贵的单目标优化问题上，表现出了不错的潜力和效率。

简单来说，WSO就是一种元启发式优化算法，属于“无免费午餐定理”框架下的又一位新成员。它的核心价值在于，试图在探索（全局搜索）和开发（局部挖掘）这两个永恒的矛盾之间，找到一个更动态、更自适应的平衡点。大白鲨在海洋中捕猎，既需要快速巡游以覆盖广阔海域（探索），又能在发现猎物气味或动静时，迅速调整姿态、加速冲刺进行精准攻击（开发）。WSO算法正是模拟了这一过程，通过数学模型来控制种群中每个“白鲨”个体的移动策略。

对于需要用到Matlab进行算法仿真、控制系统设计、参数整定或者任何有“找最优解”需求的朋友来说，掌握一种新的、有效的优化工具总不是坏事。特别是当你面对的问题黑盒特性强、导数信息难以获取、或者搜索空间崎岖不平时，像WSO这类基于种群的启发式算法往往能带来惊喜。接下来，我就结合自己的理解和实践，带你拆解WSO的原理，并手把手教你如何用Matlab实现它，去求解一个标准的单目标优化问题。你会发现，从原理到代码，其实是一条清晰可循的路径。

2. 白鲨优化算法（WSO）的核心机制拆解

理解一个算法，最好的方式就是把它想象成一个“故事”。WSO的故事发生在一片名为“搜索空间”的海洋里，我们的“白鲨”种群就在这里寻找最优解（最肥美的猎物）。每一条白鲨的位置，就代表问题的一个候选解。算法的每一次迭代，就是鲨鱼们根据规则移动一次，试图找到更好的位置。

2.1 三大行为建模：速度、嗅觉与社交

WSO的精髓在于对白鲨三种关键行为的数学建模：

1. 对最佳猎物的移动（向全局最优靠拢）这是算法开发能力的主要来源。鲨鱼会朝着当前种群中发现的最佳位置（即当前全局最优解Best_pos）前进。其位置更新公式的核心部分如下：

new_position = current_position + velocity * step

其中，velocity（速度）的计算是关键。它不是一个固定值，而是由几个因子共同决定：

• 趋优因子：驱使鲨鱼游向当前最优个体。这模拟了鲨鱼看到或感知到同伴成功捕获猎物后，向该区域聚集的行为。
• 随机扰动：引入随机性，避免所有鲨鱼轨迹雷同，陷入早熟收敛。这模拟了海洋中水流、光线等不确定因素对鲨鱼路径的微小影响。
• 惯性权重：类似于PSO中的惯性权重，它保留了鲨鱼部分上一时刻的运动方向，使运动更加平滑，不至于剧烈转向。

在Matlab中，这部分通常体现为向Best_pos靠近的向量加上一个随机向量。

2. 嗅觉搜寻（基于气味的局部探索）大白鲨拥有极其敏锐的嗅觉，能探测到数公里外一滴血的味道。WSO用以下机制模拟：

• 随机游走：鲨鱼会以一定的概率，在其当前位置附近进行小范围的、随机的探索。这对应了算法在局部区域进行精细搜索的能力。
• 嗅觉浓度梯度：算法设计了一个虚拟的“气味浓度场”，距离最优解越近，“气味”越浓。鲨鱼会根据“气味”浓度的变化（近似于梯度），调整其搜索的步长和方向。当靠近可能的最优区域时，步长减小，搜索变得更精细；当处于“无味”区域时，步长可能增大，以便快速离开。

这个机制保证了算法不会完全沉迷于当前最优解，而忽略了邻近区域可能存在更优解的可能性。在代码里，这常常通过生成一个随机方向向量，并乘以一个随迭代次数衰减的步长因子来实现。

3. 鱼群效应与社交学习（种群内部信息交换）鲨鱼并非完全独居，它们之间存在某种形式的信息传递。在WSO中，这表现为：

• 向邻近优秀个体学习：每条鲨鱼不仅看全局最优，也会关注种群中其他表现较好的个体（比如前几个最优解）。它的移动会受到这些“优秀邻居”的综合影响。
• 避免碰撞：算法会引入一个排斥力，防止两条鲨鱼的位置过于接近，从而维持种群的多样性，避免搜索资源过度集中在某个极小的区域。

这种社交学习机制，使得信息在种群内多向流动，而不是仅从全局最优单向广播，有效降低了陷入局部最优的风险。实现时，可能会随机选取一部分较优个体，计算其平均位置或加权位置，作为吸引点之一。

2.2 探索与开发的动态平衡策略

所有元启发式算法的核心挑战都是平衡探索和开发。WSO通过几个时变参数来动态管理这个过程：

• 速度衰减因子：通常随着迭代次数增加而减小。初期，鲨鱼速度快，敢于进行长距离移动，利于全局探索；后期，速度慢下来，便于在最有希望的区域进行精细开发。
• 嗅觉搜索概率：这个概率也可能随时间变化。初期概率稍高，鼓励多进行随机嗅探；后期概率降低，让鲨鱼更专注于向已知的好区域聚集。
• 步长缩放因子：直接控制位置更新幅度的大小，是平衡探索与开发最直接的“旋钮”。一个常见的策略是使用线性或非线性递减的函数。

这些参数共同作用，使得WSO在搜索前期像一群分散的、高速巡游的鲨鱼，广泛扫描海域；在搜索后期，则像逐渐收缩包围圈的猎手，对高潜力区域进行集中攻坚。

3. WSO算法流程的Matlab实现蓝图

理论说得再多，不如一行代码。下面，我将把上述机制翻译成具体的、可执行的Matlab程序结构。我们以一个最小化问题为例，目标函数为fobj。

3.1 算法主循环结构

一个清晰的Matlab实现通常包含以下模块：

%% WSO 主函数框架 function [Best_score, Best_pos, Convergence_curve] = WSO(N, Max_iter, lb, ub, dim, fobj) % 输入参数： % N: 种群大小（鲨鱼数量） % Max_iter: 最大迭代次数 % lb, ub: 变量下界和上界（1*dim向量） % dim: 问题维度 % fobj: 目标函数句柄 % 1. 初始化种群 Positions = initialization(N, dim, ub, lb); % 随机生成初始鲨鱼位置 Velocity = zeros(N, dim); % 初始化速度为零或小随机值 % 计算初始适应度 fitness = zeros(1, N); for i = 1:N fitness(i) = fobj(Positions(i, :)); end % 寻找初始全局最优 [Best_score, best_index] = min(fitness); Best_pos = Positions(best_index, :); Convergence_curve = zeros(1, Max_iter); % 记录每次迭代的最优值 % 2. 主迭代循环 for iter = 1:Max_iter % 动态计算当前迭代的参数：速度因子、嗅觉概率、步长缩放因子等 w = ... % 惯性权重，通常随iter递减 p_sense = ... % 嗅觉搜索概率，可能随iter递减 a = ... % 趋优加速系数 b = ... % 随机扰动系数 A = ... % 步长缩放因子，通常随iter递减 for i = 1:N % 更新当前鲨鱼的速度 % 速度 = 惯性部分 + 趋优部分 + 随机部分 + 社交部分（可选） r1 = rand(); r2 = rand(); r3 = rand(); % 向全局最优移动的吸引力 attraction_to_best = a * (Best_pos - Positions(i, :)); % 随机扰动 random_disturbance = b * (rand(1, dim) - 0.5); % 产生[-0.5, 0.5]的扰动 % 计算新速度 (这里是一个简化示例，实际公式更复杂) Velocity(i, :) = w * Velocity(i, :) + attraction_to_best + random_disturbance; % 基于嗅觉的随机搜索（以概率p_sense触发） if rand() < p_sense % 在当前位置附近进行随机游走 step = A * (rand(1, dim) - 0.5) .* (ub - lb); % 步长与搜索范围相关 new_position_by_smell = Positions(i, :) + step; % 边界处理 new_position_by_smell = max(new_position_by_smell, lb); new_position_by_smell = min(new_position_by_smell, ub); % 评估新位置 f_new_smell = fobj(new_position_by_smell); if f_new_smell < fitness(i) Positions(i, :) = new_position_by_smell; fitness(i) = f_new_smell; end end % 基于速度的标准位置更新 new_position = Positions(i, :) + Velocity(i, :); % 边界处理（非常重要！） % 方法1：吸收边界（越界后固定在边界上） new_position = max(new_position, lb); new_position = min(new_position, ub); % 方法2：随机反弹边界（越界后随机重置到界内） % flag_ub = new_position > ub; % flag_lb = new_position < lb; % new_position(flag_ub) = lb(flag_ub) + (ub(flag_ub)-lb(flag_ub)).*rand(size(find(flag_ub))); % new_position(flag_lb) = lb(flag_lb) + (ub(flag_lb)-lb(flag_lb)).*rand(size(find(flag_lb))); % 评估新位置 f_new = fobj(new_position); if f_new < fitness(i) Positions(i, :) = new_position; fitness(i) = f_new; Velocity(i, :) = new_position - Positions(i, :); % 可选：更新速度记忆 end % 更新全局最优 if fitness(i) < Best_score Best_score = fitness(i); Best_pos = Positions(i, :); end end % 记录本次迭代的最优适应度 Convergence_curve(iter) = Best_score; % 可以在这里添加一些显示进度的代码 if mod(iter, 100) == 0 || iter == 1 disp(['迭代次数: ', num2str(iter), '， 最优值: ', num2str(Best_score)]); end end end

注意：以上代码是一个高度简化的框架性示意，旨在展示逻辑流程。真正的WSO原始论文中的位置更新公式更为复杂，融合了速度更新、嗅觉搜索和鱼群效应。你需要根据论文中的精确公式来实现Velocity和new_position的计算。

3.2 关键辅助函数与参数设置

1. 种群初始化 (initialization)通常采用均匀随机初始化，确保鲨鱼均匀分布在搜索空间。

function Positions = initialization(N, dim, ub, lb) 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 for i = 1:dim Positions(:, i) = rand(N, 1) .* (ub(i) - lb(i)) + lb(i); end end end

2. 动态参数计算这是WSO性能的关键。参数需要随着迭代iter从 1 到Max_iter变化。

% 示例：线性递减的惯性权重 w_max = 0.9; w_min = 0.2; w = w_max - (w_max - w_min) * (iter / Max_iter); % 示例：非线性递减的步长因子（使用指数或余弦函数） A_init = 2; % 初始步长因子 A_final = 0.1; % 最终步长因子 A = A_final + (A_init - A_final) * exp(-5 * (iter / Max_iter)^2); % 指数衰减 % 嗅觉概率，可以设为常数，或缓慢递减 p_sense = 0.5; % 或 p_sense = 0.8 - 0.6*(iter/Max_iter);

具体的衰减公式和参数初始值（如a,b,w_max,w_min,A_init,A_final等），需要你仔细查阅WSO的原始论文，这些是算法的超参数，对结果影响很大。

3. 边界处理这是实现中极易出错但至关重要的一环。鲨鱼位置更新后很可能越界。上面代码展示了两种常见方法：

• 吸收边界：简单直接，但可能导致大量个体聚集在边界，影响搜索效率。
• 随机反弹边界：将越界的维度随机重置到搜索空间内，能更好地保持种群多样性，是我更推荐的做法。

4. 实战测试：用WSO求解经典测试函数

理论实现完毕，是骡子是马得拉出来溜溜。我们选取两个经典的、特征迥异的单目标测试函数来检验WSO的实现效果。

4.1 测试函数一：单峰球函数（Sphere Function）

这是一个最简单的凸函数，主要用于检验算法的开发能力（收敛精度和速度）。f1(x) = sum(x.^2);其中x在 [-100, 100] 之间。全局最优在[0,0,...,0]，最优值为0。

测试配置：

• 维度dim = 30
• 种群大小N = 50
• 最大迭代次数Max_iter = 1000
• 搜索范围lb = -100 * ones(1,30); ub = 100 * ones(1,30);

预期与调试：对于Sphere函数，一个成熟的优化算法应该能快速、稳定地收敛到非常接近0的值（如1e-10以下）。如果你的WSO结果在1e-3量级就停滞了，可能需要检查：

1. 开发能力不足：趋优因子a是否太小？后期步长因子A是否衰减得不够，导致鲨鱼在最优解附近“ overshoot”（冲过头）？
2. 探索过度：惯性权重w或随机扰动系数b在后期是否仍然太大，导致种群无法安静下来进行精细搜索？
3. 边界处理影响：如果最优解在空间中心，而你的边界处理是“吸收”型，可能会导致大量个体卡在边界上，永远无法到达中心。此时应尝试“随机反弹”或“镜像反射”等边界处理策略。

4.2 测试函数二：多峰Rastrigin函数

这是一个极其复杂的多峰函数，有无数的局部最优点，主要用于检验算法的探索能力（跳出局部最优的能力）。f2(x) = 10*dim + sum(x.^2 - 10*cos(2*pi*x));其中x在 [-5.12, 5.12] 之间。全局最优同样在[0,0,...,0]，最优值为0。

测试配置：

• 维度dim = 30
• 种群大小N = 100（多峰问题需要更大种群以维持多样性）
• 最大迭代次数Max_iter = 2000（可能需要更多迭代）
• 搜索范围lb = -5.12 * ones(1,30); ub = 5.12 * ones(1,30);

预期与调试：Rastrigin函数是许多优化算法的“噩梦”。WSO应该能最终找到全局最优区域。如果算法早熟，收敛到一个很差的局部最优值（比如大于50），问题可能出在：

1. 探索能力不足：初期嗅觉搜索概率p_sense是否够高？随机扰动b是否足够强？速度衰减是否太快，导致算法过早进入“开发”模式？
2. 种群多样性丧失过快：检查“向邻近优秀个体学习”或“避免碰撞”的机制是否有效。如果所有鲨鱼过快地向第一个找到的局部最优聚集，就会丧失多样性。可以尝试引入一个“重新初始化”机制：当种群适应度方差过小时，随机重置一部分最差的个体。
3. 参数敏感性：多峰函数对参数更敏感。你需要进行简单的参数调优。例如，可以写一个脚本，让w_max,p_sense,a等参数在小范围内变化，运行多次独立实验，观察平均性能。

4.3 结果可视化与性能评估

在Matlab中，可视化是调试和展示的利器。

1. 收敛曲线图在主循环中记录每一代的Best_score，迭代结束后绘图。

figure('Position', [300, 300, 800, 400]) subplot(1,2,1); semilogy(Convergence_curve, 'LineWidth', 2); % 对数坐标更能看清后期收敛 xlabel('迭代次数'); ylabel('最优适应度 (log scale)'); title('WSO算法收敛曲线'); grid on;

收敛曲线应平滑下降。如果曲线出现长时间的平台期，说明算法陷入停滞；如果曲线后期剧烈震荡，说明开发不稳定，步长可能太大。

2. 搜索轨迹动画（针对2维问题）对于dim=2的问题，可以绘制鲨鱼种群位置随迭代变化的散点图，并保存成GIF，直观观察探索和开发过程。

% 在迭代循环内添加绘图代码 if dim == 2 && (mod(iter, 10) == 0 || iter <= 5) % 每10代或前5代画一次 subplot(1,2,2); scatter(Positions(:,1), Positions(:,2), 40, 'filled'); hold on; scatter(Best_pos(1), Best_pos(2), 100, 'r*', 'LineWidth', 2); % 标出最优个体 xlim([lb(1), ub(1)]); ylim([lb(2), ub(2)]); title(['迭代次数: ', num2str(iter)]); hold off; drawnow; frame = getframe(gcf); % 捕获当前帧，用于制作GIF % ... 将frame写入GIF文件的代码 ... end

通过动画，你可以清晰看到：初期鲨鱼是否均匀分散？中期是否开始向几个潜在区域聚集？后期是否都收敛到全局最优点附近？

3. 统计性能指标为了科学评估，不能只看一次运行结果。需要运行算法多次（比如30次独立运行），计算统计指标：

• 最佳值、最差值、平均值、标准差：反映算法的精度和稳定性。
• 平均收敛迭代次数：在达到指定精度（如f(x) < 1e-10）时所需的迭代次数，反映收敛速度。
• Wilcoxon秩和检验：将WSO与其他算法（如PSO, GWO, SSA等）的结果进行非参数统计检验，判断性能差异是否具有统计显著性。

5. 从“能用”到“好用”：WSO的调参与改进心得

实现一个能跑的WSO只是第一步，让它在你特定的问题上“跑得好”，才是真正的挑战。这里分享一些我踩过坑后总结的经验。

5.1 参数调优：没有银弹，只有思路

WSO的性能严重依赖于那五六个关键参数。盲目试错效率极低。我的建议是：

1. 先粗调，后细调：

   • 粗调范围：根据经验或论文，给每个参数设定一个较大的合理范围（如w在[0.1, 1.2]，p_sense在[0.1, 0.9]）。使用网格搜索或随机搜索，但评估时运行次数可以少（如3次），快速筛选出表现较好的参数区域。
   • 细调：在粗筛选出的好区域附近，缩小范围，增加独立运行次数（如30次），用统计指标（平均值、标准差）来选择最终参数。

2. 理解参数的作用方向：

   • 增大w_max,a：倾向于增强开发能力，收敛更快，但更容易陷入局部最优。
   • 增大b,p_sense：倾向于增强探索能力，跳出局部最优能力强，但收敛速度可能变慢，后期可能震荡。
   • 衰减速度：参数（如w,A）从初值衰减到终值的速度，决定了算法从“探索为主”切换到“开发为主”的时机。切换太快可能漏掉全局最优，切换太慢则收敛慢。

3. 利用自适应策略： 手动调参毕竟麻烦。一个高级的思路是让参数根据搜索状态自适应变化。例如：

   • 基于种群多样性的自适应：计算种群中个体位置的标准差。当多样性高时，降低探索强度（减小b,p_sense），加强开发；当多样性低（陷入局部最优）时，提高探索强度。
   • 基于迭代成功率的自适应：记录最近若干次迭代中，位置更新成功（适应度提升）的比例。成功率低，说明当前区域可能已无改进空间，应增加探索；成功率高，则应加强开发。

5.2 针对复杂问题的改进思路

如果你的实际问题非常复杂（超高维、极度多峰、计算耗时极长），基础的WSO可能力有不逮。可以考虑以下改进方向，这些也是当前元启发式算法研究的热点：

1. 混合策略：将WSO与其他算法的优势环节结合。例如，用WSO进行全局粗搜索，当种群收敛到一定程度后，切换到像Nelder-Mead单纯形法这样的局部搜索器进行精细开发。或者，在WSO的速度更新公式中，引入差分进化（DE）的变异策略，以增加扰动方向的智能性。

2. 并行化与分治：

   • 种群并行：这是最简单的。将一个大种群分成几个子种群，每个子种群独立运行WSO，每隔一定代数交换一些优秀个体。这可以直接利用Matlab的并行计算工具箱（parfor），显著减少运行时间。
   • 维度分治（CC框架）：对于超高维问题（如1000维），将所有变量一起优化非常困难。可以采用协同协同进化（Cooperative Coevolution, CC）框架，将维度随机分组，每组用一个WSO子种群优化，轮流进行。这能极大降低搜索难度。

3. 代理模型辅助：当目标函数fobj计算一次需要几分钟甚至几小时时（如CFD仿真、有限元分析），直接调用成千上万次是不现实的。可以构建一个代理模型（如Kriging、RBF神经网络、多项式回归），用较少的真实样本点来拟合这个“黑箱”函数。WSO在迭代时，大部分适应度评估通过快速的代理模型进行，只定期用真实模型更新代理模型和验证精英解。这能极大加速优化进程。

5.3 实际工程应用中的注意事项

1. 约束处理：很多工程问题都有约束（如g(x) <= 0）。WSO本身是无约束优化器。处理约束常用方法有：

   • 罚函数法：将约束违反程度乘以一个大的惩罚系数，加到目标函数值上。简单，但惩罚系数难调。
   • 可行解优先准则：在比较两个解时，总是优先选择可行解；如果都是不可行解，则选择约束违反程度小的。这种方法更符合直觉，易于实现。

2. 离散/整数变量：WSO默认处理连续变量。对于混合变量问题，一个实用技巧是：在更新位置后，对离散变量维度进行“取整”或“映射到最近有效值”操作。但这可能会破坏算法的搜索逻辑。更严谨的做法是设计专门针对离散空间的更新算子。

3. 多次运行与结果选取：由于启发式算法的随机性，永远不要只运行一次就相信结果。对于重要问题，至少独立运行30次，选取其中最好的解作为最终结果，并报告平均性能以评估算法的可靠性。

4. 与问题特性结合：在将WSO应用于具体领域（如电机控制参数整定、神经网络超参优化）前，尽量利用领域知识。例如，能否根据物理意义给出一个较好的初始解（而非完全随机初始化）？这能极大加快收敛。变量的搜索范围[lb, ub]是否合理？过大的范围会降低效率，过小的范围可能漏掉最优解。

最后，我想说的是，白鲨优化算法是一个有趣且有效的工具，但它不是万能的。它的价值在于为我们解决复杂优化问题提供了一个新的、基于仿生学的思路框。当你理解其原理后，完全可以根据自己面对的具体问题，对其流程、参数、算子进行定制化的修改。这个过程本身，就是算法研究和工程实践中最有魅力的部分。希望这篇超详细的拆解和实现指南，能帮你顺利地将这条“大白鲨”引入你的Matlab工具箱，让它成为你解决棘手优化难题的得力助手。