黏菌算法(SMA)原理详解与Python实现

黏菌算法(Slime Mould Algorithm,SMA) 这是一篇关于黏菌算法的总结博客,包含算法思想,算法步骤,求函数最值(Python实现),算法改进等,持续更新ing 阅读详情

【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。

SMA%E7%AE%97%E6%B3%95%E6%B5%81%E7%A8%8B.png


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 z z 是控制参数, W W W 是权重, v b vb vb 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

import numpy as np
import matplotlib.pyplot as plt

class SlimeMouldAlgorithm:
    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
        
    def optimize(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) for x in X])
        
        # 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
        for t in range(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-10
            W = np.zeros(self.pop)
            for i in range(self.pop):
                if sorted_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
            for i in range(self.pop):
                r = np.random.random()
                if r < self.z:
                    # 随机位置
                    X[i] = np.random.uniform(self.lb, self.ub, self.dim)
                else:
                    # 追随最优个体
                    if fitness[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) for x in X])
            sorted_idx_new = np.argsort(fitness)
            
            if fitness[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)
        
        return best_x, best_f, convergence

使用示例

# 测试函数
def sphere(x):
    return np.sum(x ** 2)

def schwefel(x):
    return 418.9829 * len(x) - np.sum(x * np.sin(np.sqrt(np.abs(x))))

# 运行SMA
np.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([c for c in conv if c > 1e-6])}")

四、实验结果

测试函数理论最优SMA结果迭代次数
Sphere08.73e-9187
Schwefel00.092456
Ackley06.12e-8223
Rastrigin00.031389

SMA%E6%94%B6%E6%95%9B%E6%9B%B2%E7%BA%BF.png


五、SMA vs SSA对比

特性SMASSA
提出年份20202020
模拟对象黏菌觅食麻雀觅食
参数数量43
全局搜索★★★★☆★★★★☆
局部开发★★★★☆★★★★☆

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!

超详细 | 黏菌算法原理、实现及其改进与利用(Matlab/Python) 测试函数为F15在MATLAB中执行程序结果如下:在Python中执行程序结果如下:众所周知,麻雀搜索算法SSA是2020年由东华大学沈波教授团队提出[1]的一种性能十分优异的优化算法,而最近作者发现,在2020年还提出了一个优化算法,目前在谷歌学术和wos上引用量都高于SSA——黏菌算法(slime mould algorithm, SMA) 阅读详情

相关推荐

Python实现基于SMA-GPR黏菌优化算法(SMA)优化高斯过程回归(GPR)进行多变量回归预测的详细项目实例

本文提出了一种基于黏菌优化算法(SMA)优化高斯过程回归(GPR)的多变量回归预测模型。该模型通过SMA算法全局优化GPR核函数参数,有效解决了高维参数空间优化难题,显著提升了预测精度和泛化能力。项目包含数据预处理、SMA优化器设计、GPR建模、性能评估等完整流程,支持不确定度量化。实验结果表明,该方法在环境科学、金融预测等领域表现优异,相比传统优化方法具有更好的全局搜索能力和稳定性。系统采用模块化设计,提供了用户友好的GUI界面,便于实际应用部署。未来可进一步扩展多核组合、在线学习等功能,提升模型在大规模

优质创作者: 人工智能技术领域 对于有一定基础的 MATLAB和Python带具体需求都可以详谈 MATLAB和Python可以提供代码调试服务加油 谢谢 你的鼓励是我前行的动力 谢谢支持 加油 谢谢 1680

黏菌优化算法(Slime Mould Algorithm,SMA)

黏菌算法(Slime Mould Algorithm, SMA)是基于黏菌觅食行为的一种优化算法。在觅食过程中,黏菌发现食物时会发生振荡收缩。另外,在多个食物源之间,会形成粗细不一的静脉网络,静脉网络的粗细与食物源的质量有关。而黏菌在获取食物时,仍有可能对未知区域进行搜索。

鹤鸣优化的博客 6447

MATLAB基础应用精讲-【智能优化算法】黏菌算法(SMA)(附MATLAB和python代码实现)

在自然界中,黏菌是一类无色的原生生物,它们在没有光合作用的情况下寻找并消化食物。黏菌通过振荡运动,形成一个高效的网络来探索环境和获取食物资源。这种独特的行为启发了研究人员开发出一种新的优化工具。最初,黏菌算法是由Li等人在2020年提出的,用以解决连续优化问题。研究者们发现,黏菌在寻找食物时展现出的智能行为,可以抽象成一个数学模型,用于解决复杂的优化问题。这种算法不仅模拟了黏菌的觅食行为,还利用了其网络形成的特性来优化搜索过程。

qq_36130719的博客 1291

【智能算法】黏菌算法(SMA)原理及实现

同时,算法通过权重来模拟粘菌在觅食过程中产生的正反馈,从而形成三种不同的形态类型。当各种食物源的质量不同时,粘菌可以选择浓度最高的食物源。当食物源的质量很高时,粘菌将采用局部搜索方法,从而将搜索集中在已发现的食物源上。当食物浓度较低时,该区域的权重将减少,从而转而探索其他区域。2020年,Li等人受到自然界黏菌觅食行为启发,提出了黏菌算法(Slime Mould Algorithm,SMA)。这里,规定了局部搜索方向,并且随着迭代次数增强,逐渐减小(以达到收敛)。适应度值和当前最优个体适应度。

Logic_9527的博客 3853

黏菌优化算法(SMA)详解:从生物智能到优化引擎

黏菌优化算法(SMA)是一种新型生物启发式优化算法,模拟多头绒泡菌的智能觅食行为。该算法包含接近食物、包围食物和抓取食物三个阶段,通过数学模型将生物行为转化为优化过程。SMA采用权重自适应机制和参数振荡模型实现探索与开发的平衡,具有参数简单、收敛性好等优势。算法可通过MATLAB/Python实现,并应用于函数优化、工程设计和神经网络训练等领域。研究表明SMA在求解复杂优化问题时表现优异,未来可通过混沌增强、混合策略等方式进一步提升性能。

qq_42212808的博客 661

SMA优化PMSM模型预测控制:参数自整定与动态响应提升

模型预测控制(MPC)在永磁同步电机(PMSM)驱动中能显著提升动态响应,但权重参数整定困难。黏菌算法(SMA)作为一种智能优化算法,具有收敛快、参数少、不易早熟的特点,适用于MPC参数自整定。其原理是通过模拟黏菌觅食行为,在离线或在线滚动优化中搜索最优权重,从而降低电流纹波、加快动态响应。在电机控制中,SMA-MPC可应用于电流环升级、弱磁区控制等场景,帮助工程师解决传统PI调节的瓶颈问题。

weixin_30036289的博客 213

黏菌算法SMA优化SVM/SVR/LSSVM参数:原理、Python实现与调参实战

在机器学习建模中,支持向量机(SVM)、支持向量回归(SVR)和最小二乘支持向量机(LSSVM)的性能高度依赖惩罚参数C和核函数参数gamma,传统网格搜索不仅耗时巨大,而且容易错过最优区间。元启发式智能优化算法因不依赖梯度信息、适合连续参数寻优而成为更高效的替代方案。黏菌算法(SMA)模拟黏菌觅食时的管道正反馈行为,通过权重机制动态平衡全局探索与局部开发,在低维参数空间表现出收敛速度快、超参数少、实现简单的优势。将SMA与SVM/SVR/LSSVM结合,可自动完成对数空间下的参数寻优,显著提升交叉验证精度

weixin_29081703的博客 202

SMA算法

SMA模式匹配算法 ,是一个不错的算法

黏菌算法SMA全解析:从原理到Python实现与超参数寻优实战

群智能优化算法是解决复杂工程优化问题的重要工具,其核心思想源于自然界生物的集体智慧。在众多元启发式算法中,黏菌算法(Slime Mould Algorithm, SMA)凭借独特的正负反馈机制脱颖而出,它通过振荡权重动态平衡全局探索与局部开发,在连续优化和模型调参场景中表现出色。相较于粒子群和灰狼算法,SMA不仅收敛精度更高、代码实现简洁,而且参数少、易上手,非常适合机器学习超参数寻优、工程参数整定等任务。本文从生物学机制出发,逐步拆解粘菌觅食行为到算法公式的映射逻辑,给出可直接运行的Python实现与参数

weixin_33895475的博客 294

Arcgis空间分布方向性分析

Arcgis空间分布方向性分析 一、标准差椭圆方法概述 空间分布方向性分析是指区域经济属性在空间分布上的轮廓和主导方向。 标准差椭圆法是分析空间分布方向性特征的经典方法之一,使用标准差椭圆可 从全局的、空间的角度定量解释经济要素空间分布的中心性、展布性、方向性和 空间形态等整体性特征,因其直观性与有效性已得到广泛应用,已成为 Arc GIS 空间统计模块的常规统计工具。SDE 方法生成的结果为一个椭圆,从其生 成算法来看,首先用平均中心来确定椭圆的圆心,然后由平均中心作为起点 对 X 坐标

端木宛白的博客家园 4万+

从零到一:手把手教你用STM32F103C8T6打造个人专属开发板(附立创EDA工程与源码)

本文详细介绍了如何使用STM32F103C8T6微控制器从零开始设计和制作个人专属开发板。内容涵盖硬件选型、原理图设计、PCB布局、功能验证等全流程,并提供了立创EDA工程文件和源码,帮助开发者深入理解STM32开发板的硬件架构与设计要点。

weixin_26802933的博客 287

用黏菌算法(SMA)优化你的Python项目:从原理到实战代码详解

本文详细介绍了黏菌算法(SMA)在Python项目中的优化应用,从算法原理到实战代码实现。SMA作为一种新型智能算法,通过模拟黏菌觅食行为实现参数优化,特别适用于机器学习超参数调优和工程设计问题。文章提供了完整的Python实现框架,并通过XGBoost超参数优化案例展示其实际效果,帮助开发者高效解决复杂优化问题。

weixin_29704001的博客 289

字符串替换—牛客网(C++实现)

一.题目描述 请你实现一个简单的字符串替换函数。原串中需要替换的占位符为"%s",请按照参数列表的顺序一一替换占位符。若参数列表的字符数大于占位符个数。则将剩下的参数字符添加到字符串的结尾。 给定一个字符串A,同时给定它的长度n及参数字符数组arg,请返回替换后的字符串。保证参数个数大于等于占位符个数。保证原串由大小写英文字母组成,同时长度小于等于500。 测试样例: “A%sC%sE”,7,[‘...

qq_38358582的博客 1523

智能优化算法:黏菌优化算法 - 附代码

智能优化算法:黏菌优化算法 文章目录智能优化算法:黏菌优化算法1.算法原理2.实验结果3.参考文献4.Matlab代码5.python代码 摘要:黏菌优化算法(Slime mould algorithm,SMA)由 Li等于 2020 年提出,其灵感来自于黏菌的扩散和觅食行为,属于元启发算法。具有收敛速度快,寻优能力强的特点。 1.算法原理 该算法主要模拟了黏菌在觅食过程中的行为和形态变化,而未对其完整生命周期进行建模。通过权值指标模拟黏菌静脉状管的形态变化和收缩模式之间的三种相关性。 黏菌觅食过程,首先根

Jack旭的博客 1万+

Pcileech(DMA)开源项目简述

希望大DMA家能正确认识FPGA,正确使用DMA技术,对于市场上各类伪装成花里胡哨设备的FPGA板卡它的本质是不会变的,不要上当受骗。

2301_79773847的博客 5966

IBM System x3650 M5 IMM配置

1、IMM基本介绍 IMM,全称是Intel Mobile Module是IBM服务器上的集成管理模块,该模块是独立于服务器系统,可以通过一个单独的IP地址,使用Web和虚拟端口方式直接启动、停止和管理远程服务器,即使主板、处理器或者内存故障导致主机无法启动,也依然可以远程管理服务器,可以远程直接操作启动画面和服务器工作界面。 2、IP地址配置 2.1 通过Web方式修改IP地址 IBM服...

血饮渊虹的博客 4万+

Python优化算法09——黏菌优化算法(SMA)

python黏菌优化算法代码和使用

weixin_46277779的博客 7245

相机标定-张正友棋盘格标定法

(X,Y,Z)为在世界坐标系下一点的物理坐标 ( u , v ) 为该点对应的在像素坐标系下的像素坐标 引入齐次坐标的原因:引入齐次坐标的目的是为了升维,将坐标从二维坐标变为三维坐标。 2.相机成像过程 相机成像系统中,共包含四个坐标系:世界坐标系、相机坐标系、图像坐标系、像素坐标系。 (1)世界坐标系(,,) 描述目标在真实世界中的位置引入的参考坐标系。 (2)相机坐标系(,,) ...

qq_41275123的博客 1万+

SMA黏菌优化算法优化GRNN实现时间序列预测建模实战

智能优化算法在神经网络超参数调优中发挥着日益重要的作用。广义回归神经网络(GRNN)结构精简,但核心平滑因子spread的选取直接影响预测精度。黏菌优化算法(SMA)作为一种新型元启发式算法,通过模拟黏菌觅食的收缩与探索机制,能够在连续空间中高效搜索最优参数。将SMA用于GRNN的spread自动寻优,可有效解决人工试错效率低、网格搜索易漏解的问题,适用于中小规模时间序列的拟合与预测。从数据滑窗划分到归一化处理,再到算法融合与评估,该方案在CPU环境下即可快速实现。本文结合实际工程经验,讲解SMA-GRNN

weixin_29053577的博客 234

基于BP神经网络PID控制的电机转速控制器设计复现

摘要:本文提出了一种基于BP神经网络PID控制的永磁同步电机转速控制方法,通过MATLAB/Simulink平台实现了算法复现。系统采用三层BP神经网络在线调整PID参数,包含输入层(误差、误差变化率、误差积分)、5节点隐含层和输出层(Kp、Ki、Kd)。仿真结果表明,相比传统PID控制,该方案具有更快的响应速度(上升时间减少约40%)、更小的超调量(降低约60%)和更强的抗干扰能力,在电动汽车电机驱动等复杂工况下表现优异。文中详细给出了PMSM数学模型建立、BP网络设计、权值更新算法及Simulink仿真

max500600的博客 309

Modbus RTU/TCP协议栈手写实现:主从站设计、功能码、CRC、异常响应

本文从协议栈架构、帧结构、功能码、CRC校验、异常响应、主从站设计等多个维度,完整阐述了Modbus RTU/TCP协议栈的手写实现方案。帧间隔机制是RTU的核心,T3.5超时检测决定了帧边界识别CRC16查表法以512字节ROM换取8倍性能提升,适合嵌入式功能码路由表实现可扩展的代码架构,便于新增功能异常响应机制保障协议健壮性,每个错误都有明确反馈Modbus TCP在RTU基础上增加MBAP头,实现以太网扩展多核RTOS环境下的并发访问与线程安全RS-485总线的电气隔离与浪涌保护。

从事移动开发八年,csdn博客专家,阿里云特邀专家,华为云云享专家,高级网络信息安全工程师,大数据工程师(高级),python技术开发(高级),HarmonyOS 应用开发者高级认证,现在某学校任教。 1万+

黏菌算法优化SVM参数实战:原理、实现与迁移到SVR/LSSVM

支持向量机(SVM)的性能高度依赖惩罚参数c和核函数参数g的选取,传统网格搜索与手动调参在低维连续空间常陷入效率低、易过拟合的困境。黏菌算法(SMA)是一种模拟黏菌觅食行为的群体智能优化方法,仅需极少先验参数即可在搜索空间内平衡全局探索与局部开发,天然适配SVM、SVR和LSSVM的参数寻优任务。借助K折交叉验证设计适应度函数,从对数空间编码参数,可在分类预测、回归拟合、时间序列等场景中稳定提升模型精度并降低人为调参成本。本文系统讲解SMA优化SVM的完整原理、Python实现流程、迁移到SVR与LSSVM

weixin_28743405的博客 53

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

黏菌算法SMA优化SVR/LSSVM超参数:原理、实战与避坑指南

机器学习模型性能很大程度上取决于超参数选择,尤其是SVR和LSSVM中的惩罚参数C与核参数gamma,它们直接决定模型的复杂度与泛化能力。传统网格搜索和手动调参在非线性连续解空间中效率低下,容易陷入局部最优。黏菌算法SMA是一种模拟多头绒泡菌觅食行为的元启发式优化算法,通过接近食物、收缩包裹和随机重置三条规则平衡全局探索与局部开发,非常适合连续小规模的参数寻优。与传统PSO、GA相比,SMA结构简单、参数少,能快速锁定高质量超参数组合,显著降低交叉验证误差。该方案广泛适用于回归预测、时序预测等工程场景。文章

weixin_29056865的博客 283

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

精雕软件(JDpaint) 5.5 绿色版

精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版精雕软件(JDpaint) 5.5 绿色版

黏菌算法(SMA)在路径规划中的优化应用与实现

本文深入探讨了黏菌算法(SMA)在路径规划中的优化应用与实现,详细解析了其核心机制和实际改进方案。通过模拟黏菌觅食行为,SMA在机器人路径规划中展现出高效性能,相比传统算法提升35%的成功率。文章还提供了MATLAB/Python实现代码和参数调优经验,为开发者提供了实用指导。

qq_27496129的博客 1012

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

【智能算法】黏菌算法原理及其Python实现

黏菌算法:从自然现象到智能优化 摘要:黏菌算法(SMA)是一种受黏菌觅食行为启发的新型群体智能优化算法。这种无脑生物在寻找食物时展现出的路径规划能力令科学家惊讶,研究人员据此开发出了模拟黏菌接近、包围和获取食物三个阶段的数学模型。算法通过振荡参数和权重因子实现全局搜索与局部优化的平衡,具有参数少、寻优能力强的特点。Python实现展示了算法在函数优化中的有效性。目前,该算法已成功应用于城市交通规划、物流配送、机器人导航等领域,甚至在天体物理学研究中帮助绘制宇宙网结构。

大雨淅淅的博客 2064

Python实现SMA黏菌优化算法优化XGBoost回归模型(XGBRegressor算法)项目实战

Python实现SMA黏菌优化算法优化XGBoost回归模型(XGBRegressor算法)项目实战

张陈亚的博客 1532
上一篇: 粒子群优化算法(PSO)原理与Python高级实现
下一篇: 差分进化算法(DE)原理与Python实现
MATLAB代码顾问
博客等级 码龄20年 4万+粉丝 441原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

MATLAB代码顾问

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值