黏菌算法(SMA)原理详解与Python实现

【智能优化】黏菌算法(SMA)原理详解与Python实现

📅 2026-05-08 | 🏷️ 智能优化 | 🏷️ 元启发式算法 | 🏷️ 黏菌算法

一、引言

黏菌优化算法(Slime Mould Algorithm, SMA)是2020年由Li等人提出的一种新型元启发式算法。该算法模拟了黏菌(BP网络)的觅食行为和振荡收缩模式，在多种优化问题上表现出色。SMA自提出以来，在函数优化、特征选择、图像分割等领域得到广泛应用。

二、算法原理

2.1 生物学背景

黏菌是一种非常古老的生物，具有惊人的网络形成能力和最优路径寻找能力。当黏菌发现食物时，会通过振荡收缩改变其网络结构，实现高效的营养传输。

2.2 数学模型

位置更新公式：

X ( t + 1 ) = { r a n d ⋅ ( U B − L B ) + L B r a n d < z X b + v b ⋅ ( W ⋅ X a − X b ) r a n d ≥ z X(t+1) = \begin{cases} rand \cdot (UB - LB) + LB & rand < z \\ X_b + vb \cdot (W \cdot X_a - X_b) & rand \geq z \end{cases}X(t+1)={rand⋅(UB−LB)+LBXb​+vb⋅(W⋅Xa​−Xb​)​rand<zrand≥z​

其中z zz是控制参数，W WW是权重，v b vbvb是振荡因子。

权重更新：
W = { 1 + r ⋅ log ⁡ ( b f − f b f + 1 ) f < f b 1 − r ⋅ log ⁡ ( b f − f b f + 1 ) f ≥ f b W = \begin{cases} 1 + r \cdot \log\left(\frac{bf - f}{bf} + 1\right) & f < f_b \\ 1 - r \cdot \log\left(\frac{bf - f}{bf} + 1\right) & f \geq f_b \end{cases}W=⎩⎨⎧​1+r⋅log(bfbf−f​+1)1−r⋅log(bfbf−f​+1)​f<fb​f≥fb​​

三、Python实现

importnumpyasnpimportmatplotlib.pyplotaspltclassSlimeMouldAlgorithm:def__init__(self,dim=30,pop=30,max_iter=500,lb=-100,ub=100,z=0.03):self.dim=dim self.pop=pop self.max_iter=max_iter self.lb=lb self.ub=ub self.z=z# 控制参数defoptimize(self,obj_func):# 初始化种群X=np.random.uniform(self.lb,self.ub,(self.pop,self.dim))fitness=np.array([obj_func(x)forxinX])# 找到最优解sorted_idx=np.argsort(fitness)best_x=X[sorted_idx[0]].copy()best_f=fitness[sorted_idx[0]]# 记录收敛曲线convergence=[]# 主循环fortinrange(self.max_iter):# 归一化适应度值sorted_fitness=fitness[sorted_idx]sorted_X=X[sorted_idx]# 计算权重fitness_range=sorted_fitness[-1]-sorted_fitness[0]+1e-10W=np.zeros(self.pop)foriinrange(self.pop):ifsorted_fitness[i]<best_f:W[sorted_idx[i]]=1+np.random.random()*np.log((best_f-sorted_fitness[i])/fitness_range+1)else:W[sorted_idx[i]]=1-np.random.random()*np.log((best_f-sorted_fitness[i])/fitness_range+1)# 位置更新foriinrange(self.pop):r=np.random.random()ifr<self.z:# 随机位置X[i]=np.random.uniform(self.lb,self.ub,self.dim)else:# 追随最优个体iffitness[i]<best_f:X[i]=sorted_X[0]+np.random.randn(self.dim)*np.abs(sorted_X[0]-X[i])else:# 浓度吸引idx_a,idx_b=np.random.choice(self.pop,2,replace=False)vb=1-t/self.max_iter# 振荡因子X[i]=sorted_X[0]+vb*(W[i]*sorted_X[idx_a]-sorted_X[idx_b])X[i]=np.clip(X[i],self.lb,self.ub)# 评估fitness=np.array([obj_func(x)forxinX])sorted_idx_new=np.argsort(fitness)iffitness[sorted_idx_new[0]]<best_f:best_f=fitness[sorted_idx_new[0]]best_x=X[sorted_idx_new[0]].copy()convergence.append(best_f)returnbest_x,best_f,convergence

使用示例

# 测试函数defsphere(x):returnnp.sum(x**2)defschwefel(x):return418.9829*len(x)-np.sum(x*np.sin(np.sqrt(np.abs(x))))# 运行SMAnp.random.seed(42)sma=SlimeMouldAlgorithm(dim=30,pop=30,max_iter=500)best_x,best_f,conv=sma.optimize(sphere)print(f"最优适应度:{best_f:.6f}")print(f"收敛到最优的迭代次数:{len([cforcinconvifc>1e-6])}")

四、实验结果

五、SMA vs SSA对比

六、应用场景

1. 工程优化设计：结构优化、参数调优
2. 特征选择：高维数据降维
3. 路径规划：机器人路径优化
4. 神经网络训练：权重优化

七、总结

黏菌算法是一种具有独特搜索机制的新型优化算法，具有：

• ✅ 独特的浓度吸引机制
• ✅ 振荡搜索平衡全局与局部
• ✅ 参数少、易于实现
• ✅ 收敛速度快

参考论文：
Li S, Chen H, Wang M, et al. Slime mould algorithm: A new method for stochastic optimization

您的点赞是我创作的动力！