黄泓毅1. 鲸鱼优化算法（WOA）基础与Matlab实现概览
鲸鱼优化算法（Whale Optimization Algorithm, WOA）是2016年由Mirjalili和Lewis提出的一种新型群体智能优化算法。这个算法的灵感来源于座头鲸独特的捕猎行为——泡泡网捕食法。在实际工程优化问题中，WOA展现出了优异的全局搜索能力和收敛速度，特别适合解决高维非线性优化问题。
我最初接触WOA是在解决一个多峰值函数优化问题时，当时试过遗传算法、粒子群算法，效果都不理想。直到尝试了WOA，不仅收敛速度快，而且成功找到了全局最优解。这也是为什么我决定把这个Matlab实现分享出来——它内置了23个标准测试函数，你可以直接用自己的数据替换这些函数，快速验证算法效果。
这个Matlab程序包最实用的特点是它的模块化设计。核心算法部分和测试函数完全分离，你只需要关注两个文件：
WOA.m：算法主程序，包含鲸鱼优化算法的完整实现Get_Functions_details.m：23个测试函数的定义文件
提示：虽然提供了23个测试函数，但在实际应用中，建议先用2-3个简单函数验证算法正确性，再逐步过渡到复杂问题。我遇到过直接上复杂函数导致参数调试困难的情况。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 算法核心原理与参数解析
2.1 鲸鱼捕食行为的数学模型
WOA的核心是模拟鲸鱼的三种捕食行为：
-
包围猎物：鲸鱼识别猎物位置并形成包围圈
matlab复制D = abs(C*X_rand(t) - X(t)) % 距离计算 X(t+1) = X_rand(t) - A*D % 位置更新其中A和C是系数向量，X*表示当前最优位置。
-
气泡攻击：鲸鱼吐出气泡形成螺旋路径逼近猎物
matlab复制X(t+1) = D_prime*exp(b*l)*cos(2*pi*l) + X*(t)D'表示当前个体与最优个体的距离，b是定义螺旋形状的常数，l是[-1,1]间的随机数。
-
随机搜索：鲸鱼随机寻找猎物
matlab复制X(t+1) = X_rand(t) - A*D当|A|>1时执行全局探索。
2.2 关键参数设置经验
在实际项目中，这些参数设置直接影响算法表现：
| 参数 | 推荐值 | 作用 | 调整技巧 |
|---|---|---|---|
| 鲸鱼数量 | 30-50 | 种群规模 | 问题越复杂，数量应越多 |
| 最大迭代 | 500-1000 | 收敛控制 | 用收敛曲线判断是否足够 |
| b (螺旋常数) | 1 | 螺旋形状 | 通常保持默认 |
| a (收敛因子) | 2→0 | 平衡探索与开发 | 线性减小最常见 |
我在电机设计优化中发现，当设计变量超过20维时，将种群规模增加到80-100能显著提高找到全局最优的概率。但要注意计算时间也会相应增加。
3. Matlab程序使用详解
3.1 程序结构说明
下载的程序包通常包含以下文件：
code复制WOA_Algorithm/
├── WOA.m # 主算法文件
├── Get_Functions_details.m # 测试函数集
├── initialization.m # 初始化函数
├── main.m # 示例运行脚本
└── func_plot.m # 函数可视化(可选)
3.2 如何替换自己的目标函数
以Rastrigin函数为例，展示修改步骤：
- 在
Get_Functions_details.m中添加新函数：
matlab复制function [lb,ub,dim,fobj] = Your_Function(F)
switch F
case 24 % 你的函数编号
fobj = @(x) your_function(x);
lb=-10; % 变量下界
ub=10; % 变量上界
dim=30; % 变量维度
end
end
function o = your_function(x)
o = sum(x.^2 - 10*cos(2*pi*x) + 10); % Rastrigin函数
end
- 在
main.m中指定函数编号：
matlab复制Function_name = 24; % 使用你添加的函数
常见错误：忘记同时更新变量维度(dim)会导致维度不匹配错误。我建议添加新函数时，先在原函数基础上修改，逐步替换。
3.3 运行与结果解读
成功运行后会输出：
- 收敛曲线：观察算法收敛情况
- 最优解位置：保存在
Best_score变量中 - 目标函数值：保存在
Best_pos变量中
我曾遇到收敛曲线震荡的情况，通过以下方法解决：
- 增加种群规模
- 调整收敛因子a的递减方式（如改为非线性递减）
- 检查目标函数是否存在平坦区域
4. 实战技巧与性能优化
4.1 处理复杂约束条件
实际工程问题常带有约束，WOA处理约束的两种方法：
- 罚函数法（推荐初学者）：
matlab复制function o = constrained_func(x)
% 目标函数
fx = x(1)^2 + x(2)^2;
% 约束条件
g1 = x(1) + x(2) - 1; % g(x)<=0
% 罚项
penalty = 1e6; % 罚系数
o = fx + penalty*max(0,g1);
end
- 可行性规则法（效率更高）：
matlab复制if (所有约束满足)
评价当前解
else
仅基于约束违反程度比较解
end
4.2 并行计算加速
对于耗时目标函数，可用Matlab并行计算：
matlab复制% 在main.m开头添加
if isempty(gcp('nocreate'))
parpool; % 启动并行池
end
% 修改WOA.m中的评价部分
parfor i=1:SearchAgents_no
fitness(i) = fobj(positions(i,:));
end
实测在i7-11800H处理器上，30个鲸鱼、1000次迭代的Rosenbrock函数优化，串行需要12.3秒，并行后仅需4.7秒。
4.3 算法改进思路
根据我的项目经验，这些改进方向很实用：
-
混合策略：在后期迭代中加入局部搜索
matlab复制if t > Max_iter/2 X(t+1) = X*(t) + 0.1*randn(size(X(t))); end -
自适应参数：根据搜索进度动态调整参数
matlab复制a = 2 - 2*( (sin((t/Max_iter)^0.5*pi/2)) ); % 非线性递减 -
多种群：将鲸鱼分组，不同组采用不同策略
5. 典型问题排查指南
5.1 算法不收敛问题
现象：目标函数值波动大或无法收敛
排查步骤：
- 检查目标函数实现是否正确
- 绘制搜索轨迹，观察鲸鱼是否聚集
- 逐步调大种群规模测试
- 尝试简化问题（如降低维度）
案例：在优化电机参数时，发现因为变量量纲不一致（有的在1e-3量级，有的在1e3量级），导致搜索效率低下。通过对所有变量归一化处理，收敛速度提升了60%。
5.2 陷入局部最优
解决方案：
-
增加重启机制：当检测到停滞时，重新初始化部分鲸鱼
matlab复制if std(fitness) < tolerance positions(rand(SearchAgents_no,1)>0.7,:) = ... repmat(ub-lb,sum(rand(SearchAgents_no,1)>0.7),1).*... rand(sum(rand(SearchAgents_no,1)>0.7),dim) + repmat(lb,sum(rand(SearchAgents_no,1)>0.7),1); end -
采用混沌初始化增强多样性：
matlab复制% 使用Logistic混沌映射初始化 x = zeros(SearchAgents_no,dim); x(1,:) = rand(1,dim); for i=2:SearchAgents_no x(i,:) = 4.*x(i-1,:).*(1-x(i-1,:)); end positions = repmat(lb,SearchAgents_no,1) + x.*repmat(ub-lb,SearchAgents_no,1);
5.3 与其他算法的对比选择
根据我的测试经验，不同算法适用场景：
| 算法 | 优势 | 劣势 | 适用场景 |
|---|---|---|---|
| WOA | 参数少、全局搜索强 | 局部开发能力一般 | 多峰优化、高维问题 |
| PSO | 实现简单、收敛快 | 易早熟 | 低维连续优化 |
| GA | 鲁棒性强 | 计算量大 | 离散/混合问题 |
| DE | 精度高 | 参数敏感 | 精确优化 |
在光伏系统MPPT控制中，对比发现WOA比PSO的跟踪速度快15%，特别是在局部阴影条件下表现更稳定。
这个Matlab实现的优势在于，你可以在同一框架下快速尝试不同算法，只需要替换核心更新规则的部分代码。我建议初次使用时，先用Sphere、Rosenbrock等标准函数验证算法正确性，再应用到实际问题中。