樽海鞘优化算法 SSA （matlab代码，包含23个常用的基准测试函数）可直接运行效果如图所示

樽海鞘优化算法 SSA （matlab代码，包含23个常用的基准测试函数）可直接运行效果如图所示

樽海鞘这种深海生物游动时总排成链状，科学家们愣是从这种群体行为里扒拉出了一个优化算法——樽海鞘算法（SSA）。咱们今天不扯复杂公式，直接上手MATLAB代码拆解它的运行逻辑，手把手看它怎么在23个标准测试函数里翻腾。

先瞅瞅初始化这段：

function [FoodFitness,FoodPosition,Convergence_curve]=SSA(N,Max_iter,lb,ub,dim,fobj) SalpPositions = initialization(N,dim,ub,lb);

这步就像往海里撒了N条樽海鞘，每条的位置随机分布在搜索空间（lb到ub之间）。dim是问题维度，比如优化三维坐标就是dim=3。fobj就是咱们要攻克的测试函数，比如经典的Rastrigin函数。

核心循环里藏着算法的灵魂：

for t=1:Max_iter c1 = 2*exp(-(4*t/Max_iter)^2); % 领导者的移动系数 for i=1:size(SalpPositions,1) if i==1 % 领导者更新 SalpPositions(i,:) = FoodPosition + c1*( (ub-lb)*rand(1,dim)+lb ); else % 追随者用链式跟随 SalpPositions(i,:) = (SalpPositions(i-1,:) + SalpPositions(i,:))/2; end end end

领导者的移动系数c1随时间衰减——初期大步探索，后期小步调优。追随者的位置取前一条和自己当前位置的均值，形成链式跟随效果。这就像鱼群游动时，后排的鱼会参考前排的位置调整自己。

边界处理容易被忽视但很关键：

% 越界处理 Flag4ub=SalpPositions(i,j)>ub; Flag4lb=SalpPositions(i,j)<lb; SalpPositions(i,j)=(SalpPositions(i,j).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;

这里用了逻辑索引快速处理越界值，比if判断更高效。当某个樽海鞘游出边界时，直接把它拽回到边界线上，避免出现非法解。

樽海鞘优化算法 SSA （matlab代码，包含23个常用的基准测试函数）可直接运行效果如图所示

测试函数举个栗子——Ackley函数：

function o = Ackley(x) o = -20*exp(-0.2*sqrt(mean(x.^2))) - exp(mean(cos(2*pi*x))) + 20 + exp(1); end

这个函数在原点处有全局最优，但布满局部极值坑。跑SSA时会看到算法初期在多个波谷间跳跃，后期逐渐收缩到中心点。

运行效果方面，典型的收敛曲线显示前100代适应度值快速下降，300代后进入微调阶段。对比PSO算法，SSA在Rosenbrock这类峡谷型函数上表现更稳，但在高维Sphere函数上容易早熟——这时候需要调小c1的衰减系数。

参数设置有个小窍门：群体数量N设为30~50时性价比最高，迭代次数建议至少500次。实际跑代码时会发现，把追随者的更新公式改成加权平均（比如0.7倍前驱+0.3倍自身）有时能提升局部搜索能力。

最后提醒新人避坑：测试函数记得做归一化处理，否则不同量纲的变量会让搜索过程跑偏。比如Griewank函数不处理的话，樽海鞘们容易卡在某个维度上反复震荡。