近日，实验室(BCIC)杨真老师和廖志贤老师团队在人工智能领域顶级期刊《Artificial Intelligence Review》（中科院升级版1区，JCR Q1，Top期刊，IF 10.7）刊发了题为——《A multi-strategy enhanced dung beetle algorithm for solving real-world engineering problems》的最新研究成果，论文第一作者为2023级研究生毛政兴同学。

论文简介

   本文提出了一种基于多策略增强蜣螂优化算法（MDBO），MDBO算法通过自适应调节和精英信息共享，构建“搜索-增强-逃逸”的协同优化框架，融合双重自适应搜索策略、精英增强解质量机制和动态反向学习，有效提升了群体多样性、协同搜索能力及跳出局部最优的能力，从而实现更高效的全局优化搜索。

论文主要工作

   在多策略增强蜣螂算法的流程图（图1）中，研究的主要工作如下：

（1）提出双重自适应搜索策略（Dual Adaptive Search Strategy, DASS）： 该策略通过动态收缩精英个体（领导者质心） 与自适应调节布朗运动双向交叉扰动强度的协同作用，有效提升了滚球蜣螂种群的多样性、协作搜索能力，并实现了探索（Exploration）与开发（Exploitation） 过程的自适应平衡。

（2）提出精英增强解质量机制（Elite-Enhanced Solution Quality, EESQ）： EESQ机制摒弃随机个体，转而在自适应动态精英池中引入高质量成员以生成新解，有效解决了ESQ机制因过度随机性导致的增强方向不稳定问题。该机制通过提升全局最优解与当前局部最优解的质量，显著提高了算法的收敛精度与收敛速度。

图1 多策略增强蜣螂算法流程图

（3）引入动态对抗学习（Dynamic Opposition-based Learning, DOL）： DOL协同优化精英池成员、繁殖蜣螂和觅食蜣螂的搜索行为，有效突破局部最优困境。最终，通过自适应调节、精英信息共享以及DASS、EESQ和DOL的协同作用，共同构建了“搜索-增强-逃逸”（Search-Enhancement-Escape, SEE）的协同优化框架。将所提算法应用于无人机路径规划（图2、图3）和无线传感器网络覆盖优化（图4、图5），结果如下：

图2 MDBO与竞争算法在三种地形场景中的路径规划的3D对比图

图3 MDBO与竞争算法在三种地形场景下的路径规划收敛曲线对比

图4 三种不同场景下的无线传感器最优部署方案

图5 MDBO与竞争算法在三个不同场景下无线传感器网络覆盖优化中的收敛曲线

结论

   本研究提出了一种基于多策略协同增强的蜣螂优化算法（MDBO）。通过自适应调节与精英信息共享，三种机制共同构成“搜索-增强-逃逸”的协同优化框架。为系统验证算法有效性，进行了一系列实验，结果表明MDBO在收敛精度、稳定性及实际应用性能上均实现显著提升。

原文链接：https://doi.org/10.1007/s10462-025-11235-5