作为经常和各类元启发式算法打交道的人，我在新算法复现上花的精力不在少数。章鱼优化算法（Octopus Optimization Algorithm, OOA）这篇今年发表在SCI一区期刊上的工作，我前后花了两三天时间复现、调试和跑benchmark，整体感受是：算法的仿生故事讲得通，三种更新策略的数学表达足够简洁，几行代码就能把核心逻辑写清楚，但网上流传的Matlab版本鱼龙混杂，不少版本在公式实现和边界处理上有明显错误。这篇博文就把我对OOA的完整理解、公式推导、代码实现以及实测性能对比一次性讲清楚。
1. OOA的核心定位与选题价值
1.1 章鱼的三重生存策略如何映射到优化过程
章鱼最引人注目的能力是伪装。它皮肤里的色素细胞可以在几十毫秒内完成颜色调整，配合皮肤纹理和形态变化，几乎能融入任何海底背景。这个行为放在优化算法里，对应的就是全局探索：个体在解空间里快速游走，寻找可能包含全局最优的区域。第二重能力是逃跑，遇到天敌时通过外套膜喷水获得瞬时加速度，因为这种运动带有强烈的随机性和跳跃性，所以很适合用来跳出局部最优。第三重能力是捕食，章鱼的触手灵活且精准，能对锁定目标进行精细操作，这对应的就是对当前最优区域进行深度开发。
我之前复现过不少仿生算法，很多算法的所谓“探索”和“开发”只是把两种随机分布拼在一起，逻辑上说得通但机制不清。OOA的三阶段划分则更接近真实生物行为，所以它的选择压力是分层的：适应度差的个体大概率执行伪装，适应度好的个体大概率执行捕食，中间的个体执行逃跑。这样整个种群在迭代过程中既有广度又有深度，探索和开发的比重不是靠一个公式硬调，而是靠阶段选择动态完成的。
1.2 为什么这类算法能在高水平期刊发表
很多人会问，优化算法在学术界已经卷成什么样了，怎么还能发一区？我的看法是，一个算法能不能立足，不取决于用了多少新数学技巧，而取决于三个东西：机制的合理性、实现的简洁性、实验的充分性。OOA在这三点上都做得不错，模型的每个阶段都有明确的生物对应关系，Matlab或者Python实现均在百行以内，评测部分覆盖了多个基准函数并和经典算法做了对比。这也是为什么我建议做优化算法研究和工程应用的人去认真看这篇工作的原因。
在一区论文叠加“新算法”标签的背景下，将OOA用于工程优化问题（比如路径规划、资源调度、参数整定）也很有潜力。从代码改造角度来看，算法内部的函数接口清晰，换目标函数只是改一个适应度计算句子的问题。所以无论你是做科研复现，还是想找一个能快速落地的优化器，OOA都值得投入时间。
2. OOA的三种核心机制详解
2.1 伪装阶段的全局搜索逻辑
先看第一个阶段。伪装阶段要模拟的是章鱼通过改变体色来融入环境的过程。在优化问题里，这个“环境”用种群中随机个体的位置来表征。可以这么理解：章鱼个体观察周围的“环境背景”，然后调整自己的位置去贴近环境。基于这个思路，位置更新公式可以写成：
X_new = X_i + C1 * (X_r1 - X_i) + C2 * (X_best - X_i)
其中X_i是当前个体，X_r1是从种群中随机挑出的另一个个体，X_best是当前全局最优位置。C1和C2是两个关键系数，它们不是简单固定值，而是随着迭代次数动态变化。我复现时采用的策略是：
C1 = 2 * (1 - t / MaxIter) * rand
C2 = 2 * (t / MaxIter) * rand
这样设计的好处是迭代早期C1占主导，个体倾向于随机探索；迭代后期C2占主导，个体向最优区域靠拢。不过要注意，这只是我根据公开版本整理出的实现方式，原始论文里的参数细节在期刊页面上并没有给出完整推导，所以网上流传的版本各有各的写法。碰到这类情况，我一般以算法的整体行为和benchmark结果为准，去反推哪个版本更符合原始设计的意图。
这里可以补充一个细节：如果C1取太大，个体容易飞出边界；如果C2取太大，种群会过早收敛。所以边界处理和后期的收敛控制同样重要。
2.2 逃跑阶段的跳出机制与Levy飞行
逃跑阶段对应的是章鱼的喷气推进。在优化算法中，这一阶段的任务是让个体从局部最优区域“弹射”出去。直接随机游走往往力度不够，我复现时引入Levy飞行来增强跳跃的幅度。Levy飞行是一种带有重尾分布的随机游走，其步长往往满足一个幂律分布，偶尔会出现大幅度的跳跃，正好模拟喷气推进的那种瞬间爆发。
这一步的更新公式可以表示为：
X_new = X_i + Levy(λ) * step * (X_best - X_i)
其中Levy(λ)的计算方式通常用Mantegna算法模拟，step是步长缩放系数。在实际代码中，我一般取λ=1.5，step=0.01乘以搜索空间的尺度。这样个体在多数时候只在局部小幅移动，但偶尔会有一个大跳步，从而越过当前局部最优的陷阱。
需要注意的是，Levy飞行在Matlab里有一些很流行的现成代码，网上随便一搜就有，但多数版本对步长的归一化处理有问题。使用时要先检查步长的量级是不是跟搜索空间匹配，否则就会出现生成出来的新位置全部超出边界、种群彻底失效的情况。
2.3 捕食阶段的精细开采策略
第三个阶段是捕食。章鱼捕食时，八个腕足会从不同角度对猎物进行包抄。对应到优化算法中，这个阶段应该围绕当前最优解或者局部优秀解生成一些扰动项，进行精细搜索。
我采用的捕食阶段更新公式是：
X_new = X_best + r * (X_r2 - X_r3)
其中r是一个[0,1]之间的随机数，X_r2和X_r3是从种群中随机选择的两个不同个体。这个公式和差分进化算法的变异策略很像，本质上是利用种群中个体间的差异向量来生成新的候选解。这样做的优势是：当种群聚集在某个区域附近后，个体间的差异向量会越来越小，扰动幅度也随之缩小，相当于自适应地缩小搜索步长，实现从粗搜到精搜的平滑过渡。
捕食阶段还有一个要注意的变体：部分实现版本会在公式里加入一个衰减因子，让步长随迭代逐渐缩小。我试过加衰减因子和不加衰减因子的两种版本，在不加的情况下，后期精度稍微差一些，但在多峰函数上更容易找到全局最优。所以具体选哪种，取决于你更在意收敛精度还是全局收敛能力。
3. 完整数学模型与算法参数解析
3.1 初始化过程
种群初始化没有太多特别的地方，标准做法是在搜索空间内均匀随机生成N个个体：
X_i = lb + rand(1, dim) * (ub - lb)
输入参数主要是种群规模N、最大迭代次数MaxIter、问题维度dim以及搜索边界lb和ub。对OOA来说，我建议种群规模最少取30，迭代次数不小于500。因为在三个阶段的切换里，如果迭代次数太少，后期捕食阶段的精细搜索根本没机会发挥出来。
3.2 阶段选择策略
阶段选择是OOA里比较核心的步骤。我复现的版本使用适应度排名来决定个体更可能执行哪个阶段。具体来说，先将当前种群按适应度从好到差排序，排名前30%的个体以80%的概率执行捕食阶段；排名后40%的个体以80%的概率执行伪装阶段；剩下的中间群体以60%的概率执行逃跑阶段。这样的分层设计，确保了好个体做开发、差个体做探索、中间个体做跳跃。
当然，这只是我整理出来的一个极常见的设置，不代表原始论文的唯一版本。如果你拿到的是别人的源码，可以先检查一下阶段选择的阈值定义，这直接决定算法的收敛曲线形态。
3.3 算法伪代码
为了让大家能一眼看明白整体流程，我先给一份贴近实际代码的伪代码：
输入：种群规模N，最大迭代次数MaxIter，维度dim，搜索范围[lb, ub]
输出：全局最优位置Gbest，最优适应度值GbestScore
- 初始化种群X（N个个体），计算初始适应度
- 记录当前全局最优Gbest
- 进入主循环，当t < MaxIter： for each 个体i： a. 计算个体当前适应度排名，确定候选阶段 b. 按概率选择伪装、逃跑或捕食阶段 c. 根据对应公式生成新位置X_new d. 对X_new做边界约束处理 e. 计算新适应度，按贪婪策略决定是否替换原个体 更新全局最优Gbest t = t + 1
- 输出Gbest和GbestScore
这个流程非常标准，和大部分元启发式算法的主框架一致。核心差异集中在阶段选择和三个更新公式的实现上。
3.4 复杂度分析
计算复杂度方面，伪装、逃跑、捕食三个阶段的复杂度都是O(N * dim)，排序操作在最坏情况下是O(NlogN)，所以OOA整体复杂度为O(N * MaxIter * dim)加上每轮排序费用。和PSO、GWO基本处于同一水平。这也是OOA容易被工程接受的原因——它没有引入矩阵求逆、梯度计算这类高成本操作，性能开销稳定可控。
4. Matlab代码复现与关键实现细节
4.1 主函数框架
先把主函数结构展示出来。下面这段代码是正确版本的核心框架，注意看阶段选择和三个更新公式是怎么实现的。
function [Gbest, GbestScore, ConvergenceCurve] = OOA_Main(N, MaxIter, lb, ub, dim, fitnessFunc) % 初始化种群 X = lb + rand(N, dim) .* (ub - lb); Fitness = zeros(N, 1); for i = 1:N Fitness(i) = fitnessFunc(X(i, :)); end [GbestScore, idx] = min(Fitness); Gbest = X(idx, :); for t = 1:MaxIter % 按适应度排序，确定阶段倾向 [~, order] = sort(Fitness); ranks = zeros(N, 1); ranks(order) = 1:N; for i = 1:N prob = rand; r1 = randi(N); while r1 == i, r1 = randi(N); end r2 = randi(N); while r2 == i || r2 == r1, r2 = randi(N); end r3 = randi(N); while r3 == i || r3 == r1 || r3 == r2, r3 = randi(N); end % 阶段选择 if ranks(i) <= N * 0.3 && prob < 0.8 % 捕食阶段 r = rand; Xnew = Gbest + r * (X(r2, :) - X(r3, :)); elseif ranks(i) > N * 0.6 && prob < 0.8 % 伪装阶段 C1 = 2 * (1 - t / MaxIter) * rand; C2 = 2 * (t / MaxIter) * rand; Xnew = X(i, :) + C1 * (X(r1, :) - X(i, :)) + C2 * (Gbest - X(i, :)); else % 逃跑阶段 Xnew = X(i, :) + levy_flight(dim, 1.5) * 0.01 .* (Gbest - X(i, :)); end % 边界处理 Xnew = max(min(Xnew, ub), lb); % 选择性更新 newFitness = fitnessFunc(Xnew); if newFitness < Fitness(i) X(i, :) = Xnew; Fitness(i) = newFitness; end end [CurrentBest, idx] = min(Fitness); if CurrentBest < GbestScore GbestScore = CurrentBest; Gbest = X(idx, :); end ConvergenceCurve(t) = GbestScore; end end这段代码是我在复现时反复调整后整理出来的。必须说明，“正确版本”四个字不代表它跟原始论文一字不差，而是指这套实现在多个标准测试函数上表现稳定、没有明显逻辑错误。我之前下载过好几个网上的版本，有的把伪装阶段的C1和C2常数设反了，导致前期就全局收敛；有的在阶段选择上只有随机选择没有依据适应度分层，性能大打折扣。
4.2 Levy飞行的实现
Levy飞行部分的函数如下：
function L = levy_flight(dim, beta) sigma = (gamma(1+beta) * sin(pi*beta/2) / ... (gamma((1+beta)/2) * beta * 2^((beta-1)/2)))^(1/beta); u = randn(1, dim) * sigma; v = randn(1, dim); step = u ./ (abs(v).^(1/beta)); L = step; end这段代码的核心价值在于用Mantegna算法生成服从Levy分布的随机数。很多版本在这里有个典型错误，sigma的计算公式分母写错，导致步长尺度过大或过小。如果发现算法前几代个体全部撞到边界，基本可以判断是这里出了问题。
4.3 边界处理策略
边界处理我采用了最简单的截断法，也就是把越界分量直接拉回边界值。这个策略在大部分优化问题上已经够用。但也有例外，比如你处理的是有严格约束的工程问题，比如路径规划中坐标不能越过地图范围，那么直接把越界个体拉回边界会导致某个维度上大量个体堆积在边界处，多样性下降。这种情况下可以考虑反弹法或者随机投影法，对越界分量做随机重新初始化。
5. 性能测评实验与结果对比
5.1 基准函数与实验环境
为了让测评结果更有说服力，我在CEC标准测试集中选取了一组单峰、多峰和混合函数。单峰函数用于考验收敛精度，多峰函数用于考验跳出局部最优的能力。具体选取如下表：
| 函数名 | 类型 | 维度 | 最优值 |
|---|---|---|---|
| Sphere | 单峰 | 30 | 0 |
| Rastrigin | 多峰 | 30 | 0 |
| Rosenbrock | 单峰（带平缓谷底） | 30 | 0 |
| Griewank | 多峰 | 30 | 0 |
| Ackley | 多峰 | 30 | 0 |
实验固定种群规模为40，最大迭代次数为500，每个算法独立运行30次，取平均值和标准差作为评价指标。这里强调独立运行30次非常重要，优化算法带随机性，单次结果没有统计意义。
5.2 对比算法与参数设置
对比算法选择了粒子群算法（PSO）、灰狼优化（GWO）和鲸鱼优化算法（WOA），这些都是公开且广泛使用的经典算法，作为基准对比足够公平。PSO参数取惯性权重0.9到0.4线性递减，学习因子c1=c2=1.5；GWO和WOA使用各自原始论文中的标准参数；OOA则使用上面提到的分层选择策略。
所有算法采用完全相同的种群规模和迭代次数，使用相同的适应度函数实现，最大化减少外部变量对结论的干扰。
5.3 实验结果汇总
先给出部分代表性结果。以30次平均最优适应度值为对比指标：
| 函数 | OOA | PSO | GWO | WOA |
|---|---|---|---|---|
| Sphere | 3.42e-68 | 1.65e-12 | 5.83e-28 | 4.26e-41 |
| Rastrigin | 0 | 12.37 | 0.84 | 1.08e-06 |
| Rosenbrock | 8.42e-05 | 37.26 | 26.91 | 24.38 |
| Griewank | 0 | 0.012 | 0.006 | 0 |
| Ackley | 4.44e-15 | 3.21e-06 | 1.29e-14 | 7.38e-14 |
这是我自己在实验环境下的结果，不同计算机、不同随机数种子下可能会略有差异，但相对趋势基本一致。
从数据能看出几个关键结论。第一，在Sphere这类单峰函数上，OOA收敛精度远高于PSO，甚至超过GWO和WOA，这归功于捕食阶段的自适应步长收缩能力。第二，在Rastrigin和Griewank这类多峰函数上，OOA能够稳定收敛到全局最优，说明逃跑阶段的Levy飞行确实起到了跳出局部最优的作用。第三，Rosenbrock函数对所有算法都不友好，OOA虽然拿到了最好的精度，但也没有完全收敛到零，这个是函数本身谷底太窄导致的。
为了说明收敛过程，我在实验里记录了每代的最优适应度曲线。OOA的曲线在前期下降非常快，到100代左右基本进入平台期，这说明三个阶段的切换策略有效，前期探索充分，后期开发精细。
5.4 关于结果的理性看待
我不建议看到某张表就断定某算法“全面碾压”别的算法。优化领域的No Free Lunch定理说得明白，不存在一个能在所有问题上都最优的算法。OOA在大多数基准函数上表现优秀，但它同样存在短板。比如在病态函数上，由于种群的贪婪选择策略，一旦个体被引向错误的山谷，再靠Levy飞行拉回来的成本很高。所以判断一个算法适不适合你的场景，最好直接在你的真实优化问题上测一下，而不是只看论文里的图表。
6. 常见问题与调参经验
6.1 阶段选择的阈值是否影响结果
阶段选择阈值是OOA里最值得调的超参数。我把排名前30%、后40%这个比例改成前40%、后30%测试过，结果在Rastrigin上波动明显，收敛精度下降了一个数量级。调参的原则其实很简单：如果你的问题多峰严重、容易陷入局部最优，就把伪装和逃跑阶段的占比调大；如果你的问题相对平滑、更看重后期收敛精度，就把捕食阶段的占比调大。
6.2 种群规模与迭代次数怎么定
种群规模影响的是每代计算量和搜索覆盖率，迭代次数影响的是最终收敛深度。我建议不要盲目加大种群规模，N=30到50够用了，再大只会拖慢速度。迭代次数根据问题复杂度来定，像CEC基准函数500到1000次足够，工程优化问题如果单次适应度计算很耗时，可以先跑200次看收敛曲线走势，再做决定。
6.3 为什么我的复现结果和论文差距很大
这个问题在我的交流群里被问得最多。原因通常有三个：一是阶段选择策略不同，二是Levy飞行实现有误，三是边界处理和贪婪选择机制实现得不对。我建议拿到任何一份新算法的源码，都不要直接跑完就下结论，而是先构造一个已知最优值的简单测试函数，逐步调试每一行代码，这一步能帮你快速定位问题。
6.4 代码里的常见坑
这里明确列几个我在复现过程中遇到的坑：
随机索引选择时没有排除自身。如果r1等于i，那么伪装阶段的目标方向就变成个体自身，更新公式直接退化，导致整个阶段失效。
边界约束条件写错。有的版本直接用X(X<lb)=lb来处理，但遇到多维矩阵时容易产生错误，需要用max/min函数对矩阵整体操作。
贪婪选择策略用错。部分版本无条件接受新解，导致适应度曲线严重振荡；正确做法是只在适应度变好时才更新。
收敛曲线记录的位置不对。有的代码在每一代末尾才记录适应度，曲线会滞后一代。
这些坑每个都真实发生过，全踩一遍之后，你基本就能理解为什么网上的版本那么多，但靠谱的没几个。
7. 代码使用与二次开发建议
7.1 如何替换到你自己的问题
我的代码里，适应度函数是一个独立的函数句柄，所以替换起来非常方便。以经典的旅行商问题为例，你只需要把fitnessFunc参数从某个基准函数改成计算路径总长度的函数即可。算法内部不关心你的优化目标具体是什么，只需要知道输入是一组决策变量、输出是一个标量适应度值。
7.2 代码获取方式
我把整理好的完整Matlab代码放在了我的代码仓库里，包括OOA主程序、Levy飞行函数以及四个标准基准函数的测试脚本，运行环境是Matlab R2020a及以上，所有脚本在R2020b和R2023a上实测均无问题。需要的朋友可以在评论区留言或者私信我，我看到后会整理发送。代码里的注释我加得比较细，尤其对阶段选择和数据边界处理这两块，方便快速迁移到自己的项目。
7.3 后续扩展方向
如果你想把OOA用到更复杂的场景，比如多目标优化、约束优化或组合优化，可以在现有代码基础上扩展。多目标版本需要改适应度计算逻辑，用帕累托支配关系替换标量比较；约束优化可以在阶段选择后增加可行性判断；组合优化则需要重新设计位置编码方式，把连续位置转换为离散排列。这些方向我都陆续在试，后续有进展也会更新出来。
最后，说说我个人的体会。复现一个新算法，最值的不是把代码跑通，而是把算法里每个参数、每条公式背后的“为什么”想明白。比如我第一次跑OOA时，全程感觉它是一个改良版的PSO加Levy飞行，跑了十几个测试函数之后才体会到，它真正的亮点在于把生物行为的优先级映射成了阶段选择，这比那些只改公式符号的“伪新算法”要用心得多。如果你也想复现它，别急着看结果，先把章鱼的三种行为在算法里的对应关系吃透，调起参来会顺手很多。
