鲸鱼优化算法混合策略改进：Tent混沌映射、自适应权重与Lévy飞行

做算法实验的人大概都有过这种体验：标准测试集跑一遍，收敛曲线前半段挺有冲劲，到了后半段直接走平，精度卡在一个不上不下的位置，怎么调参数都上不去。鲸鱼优化算法（WOA）就是这类问题的典型代表。它模拟座头鲸的气泡网捕食行为，2016年由Mirjalili提出来，因结构简单、参数少、容易落地，很快在路径规划、特征选择、神经网络训练里被广泛使用。但真要拿它对付高维多峰问题，它的短板也很明显：探索和开发的节奏失衡，早期容易扎堆，后期种群多样性掉得快，最终收敛精度不高，时不时还早熟。这也正是“基于混合策略改进的鲸鱼优化算法”这个方向存在的原因——不是推翻WOA，而是往它的骨架里合理地加东西，补上先天缺陷。

这篇文章写给三类人：一是论文恰好用到WOA、需要改进后被拒稿率低一点的研究生；二是工程中做参数寻优、想省时间又想稳的算法工程师；三是刚接触群体智能算法、想搞清楚所谓“改进”到底改在哪儿的初学者。下面我会先把原算法的核心问题和混合策略的设计逻辑讲透，再拆解三种最常见也最能落地的改进手段，最后告诉你测试效果图应该怎么看、怎么做，以及我之前实际复现时踩过的坑。整套内容不依赖MATLAB，用Python也能完整跑下来。

1. 为什么鲸鱼优化算法需要“混合策略”来救火

1.1 WOA的三个核心机制和天生的短板

WOA的位置更新由三种机制共同驱动。第一种是包围猎物，依据当前全局最优位置向猎物靠拢；第二种是螺旋气泡网攻击，模仿座头鲸吐出气泡并螺旋上升逼近猎物的轨迹；第三种是随机搜索，以随机选出的个体为参照去探索更广的区域。三种机制通过一个概率参数p和系数A来切换，逻辑上很像“要么靠近最优，要么绕圈逼近，要么四处乱找”。

听起来挺完备，但实际跑起来会发现三个问题。其一，线性收缩的猎物包围机制导致前期全局探索能力不足，种群在第一阶段就过早围绕某个区域收缩，后期的螺旋修正救不回来。其二，当A的取值范围偏向[-1,1]时，算法绝大多数时间都在执行开发，真正的随机搜索触发条件过于保守，种群多样性下降很快。其三，最优个体始终是唯一引导源，一旦它陷入局部最优，整个种群都没有机制把它推出去。换句话说，WOA并不是不好用，而是它对复杂问题的容错能力差，需要外部机制介入。

1.2 混合策略改进的总体思路：不是打补丁，是补短板

很多改进论文的做法是“想到一个策略就往里塞”，最终效果图确实比原生WOA好，但说不清到底好在哪里。我的经验是：每加一个策略，必须明确它对应的是哪个短板，这样才算真正的混合策略改进，而不是盲目拼凑。

我这次采用的组合是三件套：Tent混沌映射负责初始化阶段，解决初始种群分布不均的问题；自适应惯性权重负责迭代中后期的探索开发平衡，解决后期多样性下降的问题；Lévy飞行加差分变异扰动负责跳出局部最优，解决早熟收敛的问题。三者分别作用于算法的三个不同阶段：初始化、主循环更新、极值跳出。这就好比组合拳，每一拳都打在对应要害上。

下面第2章我会逐一展开每个策略的数学形式和代码实现，注意看它们是怎么样衔接、又怎么样互不干扰的。

2. 混合策略的核心设计思路与实现细节

2.1 策略一：Tent混沌映射初始化种群

为什么用混沌而不是随机初始化？因为随机数生成器产生的均匀分布看似均匀，样本量较小时很容易出现局部聚集。混沌映射具有遍历性和低相关性，能在相同取值区间里生成分布更均匀的初始解，尤其对多峰函数，初始位置的好坏直接影响后续收敛方向。Tent映射是混沌映射中最简单的一种，形如：

x_{k+1} = 2x_k, 当 x_k < 0.5 x_{k+1} = 2(1 - x_k), 当 x_k >= 0.5

实现时有个坑：当x_k恰好等于0或0.5时会产生不动点，整个序列卡死。因此初值要避开这两个点，或者加一个微小的随机扰动。实际代码里我一般用如下的方式生成整个初始种群：

import numpy as np def tent_initialization(pop_size, dim, lb, ub, seed=42): rng = np.random.default_rng(seed) x = rng.random((pop_size, dim)) # 避开0和1 # 对每个维度独立迭代 for _ in range(100): mask1 = x < 0.5 x_new = np.where(mask1, 2 * x, 2 * (1 - x)) # 防止落入不动点 eps = 1e-6 x = np.where(np.abs(x_new - 0.5) < 1e-5, x_new + eps, x_new) # 映射到问题区间 return lb + (ub - lb) * x

迭代一百次是为了让混沌序列充分“混匀”，太少会导致序列还带有初值痕迹。注意Tent映射生成的是[0,1]区间的数，最后再用线性映射换算到每个变量的实际上下界。混沌序列的最大优势是：位置分布均匀、彼此相关性低，一开始就让种群铺满整个搜索空间，而不是挤在某个角落。

2.2 策略二：自适应惯性权重与收缩幅度

惯性权重原本是粒子群算法（PSO）里最常见的手段，但用到WOA上同样有效。标准WOA的位置更新其实没有“历史速度”的概念，个体只是按照当前最优位置做位置刷新，缺少一个对当前运动趋势的惯性保持。我在这里引入的自适应权重w，直接乘在朝向最优解的更新项前面，公式为：

w = 0.4 + 0.6 * exp(-5 * (t / T_max)^2)

这个设计思路是：迭代初期t/T小，w接近1，个体尽量大步朝最优方向移动，保留探索能力；迭代后期t/T增大，w衰减到0.4左右，个体在局部精细搜索时会减小步子，避免反复越过最优解。为什么用指数衰减而不是线性？因为线性衰减在前期停留时间太长，w几乎不变化，相当于没改进；指数衰减让权重在最快需要调整的阶段迅速切换到精细模式，实测下来收敛速度有明显提升。

把权重接入位置更新公式后，包围和螺旋两条路径都乘以w：

D = np.abs(C * prey - whale) new_pos = w * prey - A * D # 包围更新 new_pos = w * D * np.exp(b * l) * np.cos(2 * np.pi * l) + prey # 螺旋更新

这里A和C的计算方式保持原算法不变，区别只是多了一个随迭代变化的系数。前期w大，种群的轨迹拉得开；后期w小，个体在最优邻域里精细打磨。我自己的实测经验是：这个权重衰减项的系数-5是一个比较稳的起点，如果你想让算法更偏全局搜索，就把它改成-3；更偏局部开发，就往-8方向调。但一次别调太猛，否则会从一个坑掉进另一个坑。

2.3 策略三：Lévy飞行加差分变异，跳出局部最优

单靠权重调整解决不了被困局部最优的问题。如果把搜索比作爬山，前面两个策略是在保证你爬得快、爬得稳，但如果不增加“偶尔跳一大步”的能力，遇到多个山谷时依然会困在次优谷底。Lévy飞行正好提供这种重尾分布的大步跳跃：大部分时候小步慢走，偶尔来一次位置的大跨度迁移，这种特性与自然界许多动物的觅食轨迹吻合，也适合作为优化算法的扰动源。

生成Lévy步长常用Mantegna算法，参数β通常取1.5。核心公式是：

s = u / |v|^(1/β) u ~ N(0, σ_u²)，v ~ N(0, 1) σ_u = [Γ(1+β) * sin(πβ/2) / (Γ((1+β)/2) * β * 2^((β-1)/2))]^(1/β)

直接利用scipy.stats模块可以省不少事，但为了轻量也可手写。我建议把Lévy扰动和差分变异组合成一整套候选生成机制：以一定概率（比如0.2）对当前最优个体执行Lévy扰动，生成新候选；以另一个概率对任意两个随机个体做差分变异，生成新候选；最后把两个候选跟原最优做贪心选择，只保留更优的。差分变异采用DE/best/1的经典形式：

v = x_best + F * (x_r1 - x_r2)

F取0.5，这样变异幅度既不会太小，也不会飞得太离谱。核心代码如下：

from math import gamma def levy_flight(beta=1.5): sigma_u = (gamma(1 + beta) * np.sin(np.pi * beta / 2) / (gamma((1 + beta) / 2) * beta * 2 ** ((beta - 1) / 2))) ** (1 / beta) u = np.random.normal(0, sigma_u, 1) v = np.random.normal(0, 1, 1) return u / (np.abs(v) ** (1 / beta)) def improved_perturb(best, pop, prob_levy=0.2, prob_de=0.2, F=0.5): rng = np.random.default_rng() candidates = [] if rng.random() < prob_levy: candidates.append(best + levy_flight() * (pop.max(axis=0) - pop.min(axis=0))) if rng.random() < prob_de: idx = rng.choice(len(pop), 2, replace=False) candidates.append(best + F * (pop[idx[0]] - pop[idx[1]])) return candidates

这个机制的实现逻辑必须放在种群更新完成之后、进入下一代迭代之前。先评估候选解，如果比当前最优更优就替换，否则保持原最优，这就是“贪心保留”策略，防止扰动把好解破坏掉。Lévy飞行步长乘以了当前种群覆盖范围，这比直接用固定步长更合理：种群差异大的时候扰动幅度大，差异缩小的时候扰动幅度自动变小，有助于后期收敛。

3. 测试效果图的门道：怎么判断改进真的有效

3.1 基准测试函数的搭配原则

算法改进做了不是终点，关键是用测试效果图证明改进有效。很多新手直接丢出一条收敛曲线对比，导师一问“统计上显著吗”就答不上来。测试效果图不是装饰品，它承担三件事：证明改进后精度更高，证明改进后更稳定，证明改进具有统计显著性。

基准函数要分三类来选。第一类是单峰函数，比如Sphere（F1）和Schwefel 2.22（F2），它们只有一个全局最优点，用来测算法的收敛精度和开发能力。第二类是多峰函数，比如Rastrigin（F3）和Ackley（F4），它们布满大量局部最优，用来测全局搜索能力和跳出局部陷阱的能力。第三类是混合形态的Griewank（F5），它既有多峰的复杂性，又有相对平缓的区域，可以看算法在不同地形间的适应能力。单靠某一个函数说明不了问题。有些改进策略在Sphere上表现优异，到Rastrigin上反而退化，这就说明它过度强化了局部开发，牺牲了探索。所以测试效果图一定要覆盖不同地形，而且要有高维和低维的对照。常见做法是维度D分别取30和50，每种维度独立跑30次，取统计结果画图。

3.2 收敛曲线：不光看终点值，还要看三条特征

收敛曲线的横轴是迭代次数，纵轴是当前最优适应度。很多人只关心曲线最后停在哪个值，实际上信息量远远不够。我通常看三个特征：

• 第一，看初始下降速度。它反映前期探索效率，改进算法如果前半程就明显领先，说明混沌初始化和大权重起了作用。
• 第二，看有没有长时间平台期。标准WOA在中后段经常出现一条几乎平行于横轴的直线，这就是早熟信号，改进算法应尽量压缩平台期。
• 第三，看最终精度是否数量级领先。注意是数量级，不是小数点后几位。

因为智能优化算法的适应度跨越多个数量级，从10^2一路降到10^-10很常见，所以纵轴必须用对数坐标，否则前期的高值会把后期的微小差异全部压平，图上根本看不出区别。我一般用matplotlib直接画，代码固定写成这样：

import matplotlib.pyplot as plt def plot_convergence(history_list, labels, save_path=None, log_scale=True): plt.figure(figsize=(8, 6)) for history, label in zip(history_list, labels): plt.plot(history, label=label, lw=1.8) plt.xlabel('Iteration') plt.ylabel('Best Fitness') if log_scale: plt.yscale('log') plt.legend() plt.grid(True, which='both', alpha=0.3) if save_path: plt.savefig(save_path, dpi=300, bbox_inches='tight') plt.show()

注意画多条曲线时，每种算法用不同颜色区分，线宽1.5到2之间，图例放在右上角或左侧空间，不要遮住曲线核心走势。如果想看算法“最普通的一次表现”，可以每条线取30次运行的中位数曲线，而不是平均值，因为平均值会被极端试次带偏。

3.3 箱线图与Wilcoxon秩和检验：稳定性与显著性

光有收敛曲线还不够，收敛曲线只能展示一次运行或一组运行的平均形态。要证明改进算法稳定，必须用箱线图展示30次独立运行最终最优值的分布。箱线图能直接看出中位数位置、四分位间距和离群点数量：改进算法不仅中位数更低，箱体更窄，离群点也更少，这才叫稳定性好。

统计显著性用Wilcoxon符号秩检验最合适。它对分布形态没有严格要求，不必假设数据正态，在算法对比实验里是标配。判定标准很简单：p值小于0.05，说明两个算法在统计意义上有显著差异；大于0.05则说明当前的改进幅度不足以支撑结论。

上面三点是看效果图的核心。把收敛曲线、箱线图、显著性检验配齐，一张图才有说服力，不然评审大概率会回一句“improvement is not convincing”。

4. 从零复现一次完整实验（可抄作业）

4.1 实验环境与基础参数

先交代环境：Python 3.8以上，numpy用于数值计算，matplotlib用于绘图，scipy可选用于统计检验。当然你用MATLAB也行，我把参数表列清楚，和语言无关。

为什么这样取参数？种群30，因为WOA不像遗传算法那样需要大种群维持交叉多样性，WOA靠螺旋和包围机制搜索，30已经能稳定复现；迭代500次是为了让改进算法和原算法都有足够时间收敛，防止断在上升期；独立运行30次是惯例，低于20次很难做显著性检验。扰动概率0.2是我多次试出来的折中：太低，扰动机制形同虚设；太高，最优个体每几代就被强行换血，开发能力反而下降。

4.2 算法主循环与代码骨架

我给出一个完整的改进流程骨架，方便你直接改写。标准函数定义部分省略，重点是混合策略的挂载位置。整个流程是：Tent混沌初始化 → 进入迭代 → 对每个个体用包围或螺旋更新 → 更新后做边界处理 → 对最优个体做Lévy和差分变异扰动 → 更新全局最优与历史记录 → 迭代结束。

def hybrid_woa(func, lb, ub, dim, N=30, T=500): # Step1: Tent混沌初始化 pop = tent_initialization(N, dim, lb, ub) fitness = np.array([func(ind) for ind in pop]) best_idx = np.argmin(fitness) best_pos = pop[best_idx].copy() best_fitness = fitness[best_idx] best_hist = [] for t in range(T): a = 2 - 2 * t / T # 线性递减系数 w = 0.4 + 0.6 * np.exp(-5 * (t / T) ** 2) # 自适应权重 for i in range(N): r1, r2 = np.random.random(), np.random.random() A = 2 * a * r1 - a C = 2 * r2 p = np.random.random() if p < 0.5: if abs(A) < 1: D = np.abs(C * best_pos - pop[i]) pop[i] = w * best_pos - A * D else: rand_idx = np.random.randint(N) D = np.abs(C * pop[rand_idx] - pop[i]) pop[i] = pop[rand_idx] - A * D else: D = np.abs(best_pos - pop[i]) l = 2 * np.random.random() - 1 b = 1 pop[i] = w * D * np.exp(b * l) * np.cos(2 * np.pi * l) + best_pos # 边界处理：越界个体反射回搜索空间 pop[i] = np.clip(pop[i], lb, ub) fitness[i] = func(pop[i]) if fitness[i] < best_fitness: best_fitness = fitness[i] best_pos = pop[i].copy() # Step2: 对最优个体做Lévy与差分变异扰动 candidates = improved_perturb(best_pos, pop) for cand in candidates: cand = np.clip(cand, lb, ub) cand_fit = func(cand) if cand_fit < best_fitness: best_fitness = cand_fit best_pos = cand.copy() best_hist.append(best_fitness) return best_fitness, best_hist

这里有个需要提醒的地方：上面的实现是教学级的清晰版，适应度函数逐个个体计算，代码直观但效率一般。如果你要跑大维度、大种群、多函数，强烈建议改成矩阵化批量计算适应度，一次算完整批个体，否则30次独立运行可能要多等好几倍的时间。边界处理这里我统一用np.clip钳制。之前我试过随机重置和反射处理，发现钳制对WOA这类位置更新型算法最友好，不会突然把个体推回远处造成震荡。

4.3 画出能进论文的报告级别的效果图

画图不只是套标准代码，有几个细节直接影响观感。其一，图片尺寸按目标出版物要求，一般设置figsize=(8,6)，但如果你要双栏排版，就得设置成(3.5, 2.75)，否则图会被缩放得很糊。其二，保存用dpi=300和bbox_inches='tight'，让图件边缘不缺失。其三，曲线颜色建议用色盲友好配色，比如蓝红绿三个深色系，不要用默认的四种循环色。

箱线图的关键参数也一样：用patch_artist=True填充颜色，中位数线加粗，离群点用空心圆展示，避免大实心点把图弄乱。标题字号和坐标轴标签字号统一用12pt以上，图例字号10pt左右。整体看起来要像论文插图，而不是随手跑的草稿。

5. 常见问题与排查技巧实录

5.1 改进后反而比标准WOA差

这种情况我最初碰到时也懵过，检查逻辑后发现两个典型原因。第一个是自适应权重的衰减系数太大了，比如把指数项的-5改成-20，w在20代以内就掉到0.4附近，种群过早进入精细搜索，前期就失去了探索能力，后面无论怎么扰动都补不回来。第二个是Lévy扰动概率设得太高，比如0.5，导致最优个体几乎每一代都被强行扰动，最优秀的位置还没传导给种群就被破坏，整体性能当然退化。

遇到这种问题，我的标准做法是“单策略消融”：先把三个策略全部关闭，确认能复现标准WOA的结果；然后只开混沌初始化，看有没有提升；再只开权重，只开扰动，逐个排查哪个策略的哪个参数拖了后腿。消融测试听起来土，但比盲调高效得多。一般来说，混沌初始化对大多数函数有提升但幅度不大，权重调整和Lévy扰动才是精度主力，任何破坏性行为最先查这两部分。我之前在Rastrigin函数上试过只开权重不开扰动，收敛曲线前期很好看，最后几步就卡住了；加上扰动之后，最后几步又能继续往下走。这个现象说明两个策略是互配的，缺一个都不完整。

5.2 收敛曲线毛刺多、震荡明显

曲线一上一下像锯齿，多半不是算法逻辑的问题，而是边界处理和扰动机制的细节问题。我排查时主要看两个地方。

第一个看点是越界个体怎么处理：如果用的是随机重置，那么每次越界都会产生一个完全随机的点，这个点位置可能与当前收敛区域毫无关联，反映在曲线上就是周期性的大幅回弹。解决办法是统一用钳制，或反射回边界内侧，而不是随机扔出去。第二个看点是扰动后的候选解是否做了限制：Lévy飞行本身可以产生任意大的步长，如果不限制范围就放进去评估，偶尔会得到一个极端坏解，虽然贪心选择会拒绝它，但它会污染历史和统计结果。加一个np.clip到搜索范围，毛刺会立刻少很多。还有一种情况是目标函数本身存在不连续点，比如阶梯函数或带噪声的函数，这时候曲线有轻微锯齿是正常的，不必过度修复。

5.3 方差大、统计检验不显著怎么办

如果30次独立运行的结果方差很大，甚至p值大于0.05，先别急着否定改进策略。排查顺序是这样的：

第一步，检查目标函数是不是本身极其敏感。高维Rastrigin的标准差本来就大，此时把维度降到10再对比，改进策略的优势往往一下就能看出来。第二步，检查最优值记录有没有偶发极端幸运值，比如某一次正好落在全局最优点附近，这种极端值会把平均值拉得很难看，报告时同时给中位数和均值。第三步，增加独立运行次数到50次。注意这不是为了刷p值，而是让统计检验有足够样本量，30次和50次结果不一致时，多跑一次能暴露是不是抽样运气问题。第四步，多换几个测试函数看趋势，如果改进算法在五个函数里有四个显著更优，只有一个不显著，那可以认为整体改进是有效的。

第三个办法特别有用：改成报告“成功次数”或“达到目标精度的次数”。比如设定一个阈值为10^-5，统计30次里有多少次能达到这个水平，这种二值指标在多峰函数上非常直观，也更容易看出改进算法是否更稳定。

我个人的操作建议是，实验记录一定要留痕。每跑一个函数就把数据存成npy或csv，算法版本用编号归档，不要覆盖。混合策略改进最大的风险不是某个策略本身有问题，而是参数交互产生意想不到的耦合效应。有了消融实验的数据，你判断问题会快很多。

做了这么多年优化算法，我的体会是：改进算法不是越多策略越好，而是每个策略要有明确解决的问题，并且和其余策略错开作用阶段。测试效果图做到“三条特征+一张箱线图+一次统计检验”的完整度后，你汇报的时候大概就是全场最有信心回答提问的那个人了。