2026年2月最新优化算法——侦探行为算法
侦探行为算法（Detective Behavior Algorithm，DBA）是一种受侦探破案智能启发的元启发式算法。这类被称为“案件破解专家”的角色，不仅具备系统性的逻辑推理与多线索整合能力，更拥有在复杂环境中锁定目标、层层深入的专业侦查策略——他能通过大范围勘查搜集线索，逐步聚焦关键区域进行深度排查，并最终实施精准收网。研究团队正是借鉴这一典型的侦查行动逻辑，提出了DBA算法，模拟了侦探在解空间中的三类核心行为策略：基于广域扫描的线索搜集机制、面向重点区域的多维排查策略，以及锁定关键证据的收网行动。这些策略被转化为协同的数学操作，在应对复杂优化问题时展现出优异的全局探索与局部开发平衡能力。
该成果于2026年最新发表于计算机领域1区期刊 Knowledge-Based Systems，具有广阔的应用前景。
1 算法原理详解
在现代战争中，常需要部署大规模、高精度的侦查与情报搜集行动以获取敌军关键信息。这类行动旨在收集核心数据、监测敌方动态，并协助军事指挥与决策者制定有效的战略与战术方案。典型的情报处理流程包含若干顺序阶段。军事侦查行为的关键特征可归纳如下：
（1）初始化阶段
在初期阶段，由于缺乏敌方位置的精确信息，指挥部难以在作战空间内确定确切的部署路径。因此，侦察单位需从中心基地沿随机方向派遣，以探索潜在的敌军位置，如下图所示。
在DBA框架中，优化过程始于对 个候选解（ ）种群的初始化，如公式所定义。这些解通过公式所描述的策略在搜索空间中随机分布。在每次迭代中，性能最优的解被识别并标记为全局最优解（ ）：
其中， 表示区间 内均匀分布的随机数； 与 分别对应搜索空间中第 维的下限与上限。此外， 表示优化问题的总维度数。
（2）探索与开发的切换机制
在整个迭代过程中，算法通过一下公式来确定候选解应采用的搜索策略——即选择探索或开发行为：
当前迭代次数记为 ，最大迭代次数记为。 表示在到之间随机生成的值， 是控制探索与开发之间权衡的常数。函数的阈值设定为，以保持两种策略之间的平衡。具体而言，若，候选解侧重执行开发操作；若，则侧重执行探索操作。当时，算法选择开发算子，否则使用探索算子。正弦函数形式的设定实现了平滑、周期性的策略分配：早期迭代中，多数时间处于阈值 以下，后期迭代则自然稳定在阈值以上。如下图所示，这种方式避免了策略的硬性切换，同时降低了早熟收敛的风险。
（3）探索阶段
受侦查行动启发，算法假定在初始阶段尚未掌握敌方位置或其他相关信息。因此，指挥部会部署侦察设备与人员执行广泛搜索任务。在此阶段，搜索范围被有意设置为较宽，使得智能体能够探索搜索空间内任何具有潜力的区域。该阶段的主要目标是逼近全局最优解的位置。基于这一行为逻辑，DBA框架中的探索移动策略旨在确定相对于中心营地。相应地，探索策略可形式化描述如下：
其中 与宿营位置分别代表搜索历史中获得的第维全局最优位置以及搜索空间的中心点。 是一个取值范围在到 之间的随机数。该机制实现了向高质量区域（开发）的受控收缩映射，同时保持了全局可行性。
（4）开发阶段
基于前述攻击行为，算法采用两种主要战术：一方面，智能体采用直接攻击方式，果断地向目标最可能的位置移动；另一方面，整个种群围绕预估的敌方位置进行局部搜索，以防目标可能的规避机动。这些策略促使候选解向潜力区域收敛，驱动其逐渐逼近理想最优解：
变量 和 服从正态分布，其标准差分别为 和 ，均值均为零。这种概率设置确保了步长大小的多样性，在保持局部精细化潜力的同时，增强了算法的探索能力。
如下图所示，参数 对莱维飞行的步长特性有显著影响。当 时，步长较长且高度分散，有利于广泛的全局探索。随着 增大，步长逐渐变短且更集中，使搜索行为转向局部开发。 的中间设置为探索与开发提供了平衡的权衡，提供了合适的步长分布，本研究后续部分均采用此设置。
第一种开发公式可表述如下：
其中 表示莱维飞行的步长， 为第次迭代时全局最优解的第维位置。此外， 表示第个解在第次迭代时的第维位置。服从莱维分布的步长 能够实现偶发的长距离跳跃，从而帮助算法逃离局部极小值；其概率尾部分布提供了可调节的探索压力。
在某些情况下，理想的全局最优解可能位于与当前已识别的全局最优位置 相距较远的区域。因此，若仅依赖第一种开发策略，种群可能始终聚集在 附近，从而限制了算法摆脱局部最优的能力。换言之，仅依靠该策略可能不足以引导搜索走向实际的全局最优解，反而会增加早熟收敛的风险。为克服这一局限，引入了第二种开发策略，如以下公式所示。该策略受直接攻击战术启发，使候选解从其当前位置直接朝已知的全局最优位置移动。这一方法增强了算法在潜力区域中进行强化搜索的能力，同时持续推进向真实最优解的逼近。
其中 为取值范围在 到 之间的随机值。基于该移动策略，算法在已获得的全局最优位置与每个候选解位置之间生成一个新的高质量搜索空间，从而扩展了开发阶段的搜索范围。因此，依据公式生成的位置——该位置偏离已获得的全局最优位置——有助于降低收敛至局部最优解的风险。换言之，这是 与 之间的线段采样，在偏向最优解的同时保持了多样性。
（4）反向学习策略
尽管上述两种策略在DBA框架中有效促进了探索与开发，但在某些情况下仍需进一步强化。尤其当全局最优解位于候选解当前位置相反的区域时，若最优解处于候选解当前位置相对的搜索空间远端，算法可能需要大量迭代才能跨越该距离。在此约束下，有限的迭代次数可能阻碍算法及时收敛至最优解。为应对这一挑战，M. Abdel-Basset等人提出了反向学习策略。该方法通过同时考虑当前位置及其反向位置，旨在加速收敛并提升解的质量。其核心思想是评估每个候选解对应反向点的适应度，并保留性能更优的位置。由此，搜索过程能够以更广阔的视角覆盖解空间，从而避免陷入局部最优区域。具体步骤表述如下。
与当前位置 相对应的反向位置 的数学表达式为：
比较当前位置 及其对应反向位置的适应度值。若的适应度值小于的适应度值，则以反向位置替换当前位置：
其中 为用于计算各候选解适应度值的函数。
DBA算法的详细伪代码如算法1所示：
DBA算法的流程图如下所示：
2 结果展示
3、MATLAB核心代码
参考文献
[1]]Cheng J, De Waele W. Detective Behavior Algorithm (DBA): A New Metaheuristic for Design and Engineering Optimization[J]. Knowledge-Based Systems, 2026: 115434.
完整代码获取
获取更多