💻 computer science

Bombardier Beetle Optimizer: A Novel Bio-Inspired Algorithm for Global Optimization

本文提出了一种名为轰炸甲虫优化算法（BBO）的新型仿生算法，该算法通过模拟甲虫的化学防御和逃逸机制，在 CEC 2017 基准测试中，与现有的元启发式算法相比，实现了更优越的收敛速率和解质量。

原作者： Hisham A. Shehadeh, Mohd Yamani Idna Idris, Iqbal H. Jebril

发布于 2026-06-10

📖 1 分钟阅读☕ 轻松阅读

原作者： Hisham A. Shehadeh, Mohd Yamani Idna Idris, Iqbal H. Jebril

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：在迷宫中寻找最佳位置

想象一下，你正试图在一个巨大、多雾且连绵起伏的山地景观中，找到绝对最低的点。这就是计算机科学家所说的“优化问题”。你想找到完美的解决方案（山谷的最底部），但地形非常复杂。那里有很多看似低洼实则并非底部的陷阱（局部极小值），而且浓雾让你很难看清整张地图。

多年来，计算机一直在使用不同的“策略”来在这类迷宫中导航。有的像鸟群（PSO），有的像狼群（GWO），甚至还有模仿切尔诺贝利历史灾难的算法（CDO）。

这篇论文介绍了一种新的策略，叫做喷火甲虫优化算法（Bombardier Beetle Optimizer, BBO）。这是一种让计算机寻找答案的新方法，其灵感源自一种微小而强悍的昆虫：喷火甲虫。

灵感来源：甲虫的超能力

喷火甲虫因其一件著名的武器而闻名：它的防御机制。当捕食者（如青蛙或鸟类）靠近时，甲虫不仅会逃跑，还会反击。

在甲虫的腹部，储存着两种无害的化学物质。但当受到威胁时，它会将这些物质混合在一个特殊的腔室中。这会产生剧烈的、沸腾的化学反应，从它的尾部向捕食者喷射出灼热且有毒的喷雾。这就像是一个微型的、活生生的火焰喷射器。

甲虫还有第二个绝招：如果捕食者离得太近，它会计算距离并飞向安全地带。

计算机算法是如何运作的

作者将这两种甲虫行为转化为了计算机程序的数学规则。以下是“喷火甲虫优化算法”解决问题的方式：

1. “化学喷雾”（探索/Exploration）
想象一群甲虫（即解）在黑暗的房间里徘徊。如果一只甲虫离“捕食者”（一个糟糕的解或陷阱）太近，它就会触发防御机制。

在数学层面： 计算机计算当前解与“捕食者”之间的距离。如果它们靠得太近，甲虫就会“喷射”出一团有毒的云雾。
类比： 把这种喷雾想象成一场混乱的爆炸，它会将甲虫推向一个新的、随机的方向。这迫使甲虫跳出地面上一个平庸的小凹陷，并降落在完全不同的地方。这有助于计算机避免陷入“虚假”的低点，并保持对整个地图的探索。

2. “逃逸飞行”（开发/Exploitation）
如果甲虫处于安全状态，但需要寻找最佳位置，它就会使用翅膀。

在数学层面： 计算机利用物理方程（特别是牛顿运动定律和升力）来计算甲虫应该如何飞行。
类比： 这就像甲虫平稳地滑翔向它所见过的最深、最有希望的山谷。它在精细化自己的位置，不断接近完美的答案，而不会进行剧烈的跳跃。

测试：谁赢得了比赛？

为了看看这种新的甲虫策略是否真的有效，作者让它与六种著名的算法进行了一场竞赛：

切尔诺贝利灾难优化器 (CDO)： 基于核辐射。
百慕大三角优化器 (BTO)： 基于在神秘三角区消失的船只。
灰狼优化器 (GWO)： 基于狼群狩猎。
粒子群优化算法 (PSO)： 基于鸟群聚集。
精子群优化算法 (SSO)： 基于精子游向卵子。
引力搜索算法 (GSA)： 基于引力将物体拉在一起。

他们通过 23 个不同的数学谜题（被称为 CEC 2017 基准测试）对它们进行了测试。这些谜题涵盖了从简单的丘陵到极其崎岖、嘈杂且令人困惑的地形。

结果：甲虫夺冠

论文声称，喷火甲虫优化算法 (BBO) 是明显的赢家。

速度： 甲虫算法找到最佳答案的速度比其他算法更快。
准确度： 它更频繁地找到山谷的“真实”底部，尤其是在那些其他算法容易卡住的最难、最复杂的谜题中。
稳定性： 如果你运行 10 次测试，甲虫算法几乎每次都能给出最好的结果，而其他算法的表现则起伏不定。

在最终的排行榜（称为“平均排名”）中，甲虫排名第 1 位。切尔诺贝利优化器排名第 2，百慕大三角优化器排名第 3。其他算法则紧随其后，表现较差。

结论

作者总结道，通过模仿喷火甲虫**远离危险（以探索新区域）以及精准飞向安全地带（以精炼答案）**的能力，他们创造了一个更优越的工具来解决复杂的数学问题。

他们建议，虽然这个新工具在解决这些特定的数学谜题方面表现出色，但未来应该在现实世界的问题上进行测试，例如改进无线电网络或无线传感器。然而，就目前而言，这篇论文仅仅证明了在他们测试的竞争对手中，甲虫策略是导航数学迷宫最有效的方式。

技术摘要：喷Bombardier甲虫优化算法 (BBO)

问题陈述

现实世界的优化问题，如无线传感器网络、生物医学工程和通用工程设计中发现的问题，由于包含众多局部极小值的复杂几何结构，往往面临重大挑战。传统的优化方法经常难以跳出这些局部最优解，导致收敛速度缓慢或得到次优解。虽然现有的元启发式算法（分为基于物理、基于集群、进化和人工类）提供了各种优势，但它们仍面临诸如过早收敛、探索速度慢以及难以平衡探索与开发策略等局限性。为了解决这些缺陷，本文提出了一种旨在增强全局优化性能的新型生物启发算法。

方法论

所提出的喷Bombardier甲虫优化算法 (BBO) 是一种模仿喷Bombardier甲虫（Bombardier Beetle，属于 Carabidae 科）防御和逃逸机制的生物启发元启发式算法。该算法模拟了两种主要的生物行为：

1. 防御机制（探索）

BBO 探索策略的核心模拟了甲虫在受到威胁时喷射热且有毒化学物质的能力。

化学反应： 该模型结合了甲虫内部的反应室，其中氢醌（Hydroquinone）和过氧化氢（Hydrogen peroxide）通过过氧化氢酶（catalase）和过氧化物酶（peroxidase）进行反应。这种放热反应产生的喷雾温度超过 100°C，由水蒸气、氧气和具有刺激性的对苯醌（p-benzoquinones）组成。
几何模拟： 算法将甲虫与捕食者的相互作用建模为两个相交的圆。当捕食者的区域与甲虫的区域发生交集或重叠时，触发“喷射”。
数学公式化： 交集面积 ( $A$ ) 使用涉及甲虫和捕食者半径以及它们中心距离的特定几何方程进行计算。甲虫的新位置根据该交集面积、化学反应因子（结合温度、氧气和刺激物数值）以及混沌扩散函数进行更新。该机制旨在使种群在搜索空间内分散，有助于避免陷入局部最优。

2. 逃逸机制（开发）

第二阶段模拟了甲虫计算与捕食者的距离并飞离的行为。

空气动力升力： 这种行为使用牛顿运动定律和经验性的扑翼飞行升力方程（ $L = LC \times 0.5 \times \rho \times V^2 \times A$ ）进行建模。
位置更新： 算法计算向上的反作用力（升力）以确定新位置，使甲虫能够远离威胁（局部极小值）并向更好的解移动。这一阶段侧重于精细化搜索并开发潜力区域。

算法执行

BBO 在问题的搜索空间边界内初始化甲虫种群。在每次迭代中，算法在防御机制（探索）和逃逸机制（开发）之间交替进行。种群根据目标函数值进行更新，并保留找到的最佳解。该过程持续进行，直到达到最大迭代次数。

主要贡献

新颖算法： 引入了喷Bombardier甲虫优化算法 (BBO)，这是一种受喷Bombardier甲虫特定的化学防御和逃逸行为启发的全新元启发式算法。
混合机制： 集成了基于化学反应的喷射模型（用于探索）和基于空气动力升力的逃逸模型（用于开发），以平衡搜索过程。
全面评估： 与六种成熟的元启发式算法进行了严格的对比研究：切尔诺贝利灾难优化器 (CDO)、精子群优化算法 (SSO)、引力搜索算法 (GSA)、粒子群优化算法 (PSO)、百慕大三角优化器 (BTO) 和灰狼优化算法 (GWO)。

实验结果

BBO 的性能通过 CEC 2017 测试基准集进行了评估，该基准集包含 23 个基准函数（包括单峰、多峰和混合函数）。实验在 MATLAB R2023a 中进行，每个算法运行 30 次独立实验，每次运行 1,000 次迭代。

性能指标： 根据最佳适应度（最优值）、平均值 ( $\mu$ )、标准差 ( $\sigma$ ) 和平均排名对算法进行了比较。
定量结果：
- BBO 在所有测试算法中获得了最低的总平均排名 (3.9)，显著优于 CDO (8.65)、SSO (9.51)、GSA (12.06)、PSO (9.9)、BTO (8.9) 和 GWO (9.61)。
- BBO 在 23 个基准函数中的 20 个（F1–F8, F10, F11, F13–F18, F21–F23）中获得了最佳适应度值。
- 在收敛性方面，BBO 在达到全局极小值方面表现出卓越的速度和精度，特别是在“崎岖且多噪”的问题（F1–F4）和具有窄域的函数中。
对比分析： 虽然其他算法在特定子集中表现出优势（例如，CDO 和 BTO 在某些单峰函数上表现良好），但 BBO 在大多数测试套件中始终提供更稳定、标准差更低的结果。

重要性与主张

本文声称，喷Bombardier甲虫优化器是全局优化问题的一种高效且可行的替代方案。作者断言，BBO 独特的化学启发式防御机制与物理启发式逃逸机制的结合，使其能够有效地平衡探索与开发。

研究结论指出，BBO 在收敛速度和解质量方面优于所对比的算法（PSO, SSO, GSA, GWO, BTO, CDO），特别是在复杂的、崎岖且多噪的搜索空间中。作者建议，虽然目前的实验结果基于 CEC 2017 基准集显示出良好的前景，但未来的工作应验证该算法在现实应用中的有效性，特别提到通过无线传感器网络 (WSN) 来最小化衰减和干扰，以及通过无线电网络 (RN) 来最大化信号传播。论文对这些未来应用保持了审慎的态度，指出所使用的测试集存在局限性，且针对特定现实场景可能需要进一步的调优。