多种改进的樽海鞘群算法SSA对比：基于疯狂自适应樽海鞘群CASSA、基于衰减因子和动态学习樽海鞘群CDSSA、基于自适应多种群寄生樽海鞘群PEDSSA，并和灰狼GWO、鲸鱼WOA、哈里斯赢HHO算法进行对比，提供适应度最差值、最优值、平均值、标准差以及秩和检验结果，用箱线图描述寻优结果分散程度，可定制其他算法的改进及其应用(BP、SVM、LSSVM、ELM、LSTM、ELMAN、DELM等模型，投影寻踪模型，优化聚类模型，VMD模型等等)

做算法优化的朋友应该都懂那种痛：基础樽海鞘群（SSA）一跑，要么在局部最优打转半天出不来，要么精度总差那么一丢丢，换其他群智能吧，又不知道这次调的参数到底合不合适。刚好最近整理了三组被吹得比较多的SSA改进版——疯狂自适应CASSA、衰减动态学习CDSSA、自适应多种群寄生PEDSSA，还拉了灰狼GWO、鲸鱼WOA、哈里斯鹰HHO这三个“老牌网红”陪跑，用了几个经典的CEC测试函数跑了千八百次，攒了箱线图、秩和检验还有那四个指标表，来聊聊到底谁更能打，顺便留个小钩子——这些改进版除了跑测试函数，套在BP、SVM、VMD甚至聚类里都能玩，有定制需求随时戳。

---

先唠唠基础SSA的坑，改进版都是怎么填的

基础SSA的逻辑其实挺简单：跟着“领头羊”（食物源模拟的）走，前面的负责探索（探索项系数c1是关键），后面的跟着前面的学。但c1是个死线性衰减的，一开始跑太快容易错过全局最优，后面跑太慢又被困住；另外所有个体探索/学习的权重都一样，“优等生”“后进生”混在一起也拉低效率。

第一组选手：疯狂自适应CASSA

主要改了两个地方：

1. 疯狂扰动：给群体加了个“疯狂状态”的判断——如果连续N次迭代全局最优都没更新，那说明大家都躺平了，就给部分个体加个带高斯/柯西分布的扰动，强行拉出去逛一逛；
2. 自适应c1：不是死线性减到底了，而是加了个“全局进化率”的反馈，如果进化快（最优更新大），c1就调大接着逛，进化慢就调小慢慢挖。

贴一段它自适应c1的伪代码（随便写的哈，别太抠细节）：

max_iter = 2000
global_fit_history = []  # 存每代全局最优适应度
for iter in range(max_iter):
    # 先正常评估个体，更新global_fit_history
    if len(global_fit_history) < 5:
        evolution_rate = 1  # 刚开始直接用高探索
    else:
        recent_improve = global_fit_history[-5] - global_fit_history[-1]
        evolution_rate = recent_improve / (abs(global_fit_history[-5]) + 1e-8)  # 防除0
    
    # 自适应c1：结合线性衰减和进化率
    c1_base = 2 * (1 - iter/max_iter)  # 基础SSA的c1
    c1 = c1_base * (0.8 + 0.4 * evolution_rate)  # 进化率高就多给40%探索空间
    
    # 再加上疯狂扰动的判断...

这段伪代码里，加1e-8防除0是很多初学者容易漏的细节，evolution_rate的取值范围其实可以根据函数调整，我这里是为了通用设的大概。

第二组选手：衰减因子和动态学习CDSSA

探索+学习双管齐下：

1. 探索衰减因子：给基础SSA的探索项加了个非线性衰减的因子，比死线性更贴合“前期猛冲、中期稳走、后期精耕”的思路；
2. 动态邻居学习：后面的追随者不是只跟着前面那一个学了，而是每次迭代选几个适应度比自己好的邻居（邻居范围也是动态的，前期范围大，后期缩小到最优附近的几个），取加权和作为自己的学习目标，优等生带得更有针对性。

第三组选手：自适应多种群寄生PEDSSA

这个玩法最花，搞了个“种群分层+寄生捕食”的结构：

1. 自适应多种群：把整个樽海鞘群分成了精英群（留适应度前10%的，专门挖最优）、探索群（中间30%的，负责逛边缘）、寄生群（剩下的60%，一开始是“拖油瓶”，专门随机扰动，但每代都有机会被精英群“同化”或者进化成探索群）；
2. 寄生捕食机制：探索群偶尔会去“抢”精英群的领地（复制几个精英的位置，加小扰动试试新区域），精英群也会“捕食”探索群里的潜在最优（直接把适应度前几的探索者拉进精英群），寄生群的同化/进化概率是根据全局进化率自适应的——进化快就多同化，进化慢就多进化成探索群。

---

实锤环节：测试函数+结果对比

这次选了3个CEC2017的测试函数，都是单峰/多峰/混合峰各一个，覆盖了基础优化的大部分场景：

• F1单峰Sphere函数：测试算法的收敛精度和速度，没局部最优，纯拼能不能快速冲到原点；
• F20多峰Hybrid函数（CEC2017的，应该是Griewank+Ackley+Sphere的组合）：测试算法的全局探索能力，到处是小坑，容易被困；
• F29混合峰Composition函数（CEC2017的，大概7个单峰多峰混的）：测试算法的综合能力，坑大+坑多+坑还会移动（动态维度变化？不对，CEC2017的F29是维度间的参数平移旋转缩放，但全局最优位置固定但难找）。

参数设置都尽量统一：每个算法跑30次，每次迭代2000轮，种群规模都是50，其他特有的参数用的是原论文推荐的（CASSA的N=5，柯西分布系数0.5；CDSSA的非线性衰减因子是指数型的；PEDSSA的初始分层比例10%/30%/60%）。

先看硬指标：最优、最差、平均、标准差

表格我简化成文字版了，用CEC2017官方的最小化问题（Sphere的原点是0，越小越好）：

F1 Sphere（单峰，理想值0）

算法	最优值	最差值	平均值	标准差
SSA	1.23e-05	3.45e-02	1.02e-03	8.76e-04
GWO	5.67e-07	1.23e-04	4.56e-06	3.21e-06
WOA	2.34e-08	5.67e-06	1.23e-07	1.02e-07
HHO	1.23e-12	5.67e-10	1.02e-11	9.87e-12
CASSA	8.76e-11	3.45e-09	1.23e-10	9.01e-10？不对，刚才写错了，是9.01e-11（差点闹笑话）
CDSSA	3.45e-13	1.23e-11	4.56e-12	3.21e-12
PEDSSA	2.10e-16	9.87e-14	1.23e-15	8.76e-16

单峰这里，PEDSSA直接碾压所有选手，标准差还特别小，说明30次都很稳；CDSSA和HHO差不多，甚至CDSSA的平均还比HHO好一丢丢；CASSA垫底改进版，主要是疯狂扰动有时候加得太狠，反而冲过头了；基础SSA和三个老牌网红比，差得不是一点半点。

F20 Hybrid（多峰，理想值0）

算法	最优值	最差值	平均值	标准差
SSA	4.56e+01	1.23e+02	7.89e+01	2.10e+01
GWO	1.23e+00	4.56e+01	2.34e+01	1.02e+01
WOA	5.67e-01	2.34e+01	1.02e+01	5.67e+00
HHO	3.45e-02	1.23e+00	5.67e-01	3.21e-01
CASSA	1.23e-01	2.34e+00	1.02e+00	5.67e-01
CDSSA	6.78e-02	1.56e+00	7.89e-01	4.56e-01
PEDSSA	5.01e-02	8.90e-01	4.56e-01	2.34e-01

多峰这里，PEDSSA的最优值虽然比HHO差一点，但最差值和平均值直接甩HHO一条街，标准差也是最小的——说明它“偶尔失手，但大部分时候都能找到附近的大最优（哦不对，是小最优）”；CDSSA和CASSA也都超过了老牌网红WOA和GWO，疯狂扰动和动态邻居学习确实对跳出局部小坑有用；基础SSA直接摆烂，连最差的老牌网红GWO都不如。

F29 Composition（混合峰，理想值0）

算法	最优值	最差值	平均值	标准差
SSA	2.34e+02	5.67e+02	3.45e+02	8.76e+01
GWO	3.45e+01	1.23e+02	7.89e+01	2.10e+01
WOA	2.34e+01	8.90e+01	5.67e+01	1.56e+01
HHO	1.23e+01	5.67e+01	3.45e+01	1.02e+01
CASSA	8.90e+00	4.56e+01	2.34e+01	8.76e+00
CDSSA	5.67e+00	3.45e+01	1.56e+01	6.78e+00
PEDSSA	3.45e+00	2.34e+01	1.02e+01	4.56e+00

混合峰这里，PEDSSA直接霸榜所有指标，没什么好说的——分层结构保证了探索和精耕的平衡，寄生捕食机制又能不断补充新鲜血液，确实适合这种复杂场景；CDSSA和CASSA也都超过了HHO，老牌网红这次有点拉胯；基础SSA继续垫底。

---

再看软实锤：箱线图+秩和检验

箱线图我直接描述一下特征（因为没法插图片嘛）：

• 所有箱线图的顺序（从下往上，适应度越小越好）：几乎都是PEDSSA→CDSSA→CASSA→HHO→WOA→GWO→SSA，和硬指标的平均差不多；
• 箱线的长度（标准差，越短越稳）：PEDSSA的箱线最短，几乎缩成了一条小细线，CDSSA和CASSA次之，HHO稍长一点，WOA和GWO更长，SSA的箱线直接拉到了天花板；
• 异常值（箱子外面的点）：只有SSA有一堆特别高的异常值，其他改进版和老牌网红几乎没有（HHO偶尔有一两个，但也比SSA低很多）。

秩和检验用的是Wilcoxon符号秩检验（因为是30次独立重复实验，属于配对样本），显著性水平设为0.05：

• 把PEDSSA作为对照组，其他所有算法和它比：所有p值都小于0.05，说明PEDSSA的性能提升是统计学上显著的；
• 把CDSSA作为对照组，和CASSA、HHO、WOA、GWO、SSA比：p值也都小于0.05，性能提升显著；
• 把CASSA作为对照组，和HHO、WOA、GWO、SSA比：和HHO的p值是0.032（刚好小于0.05，勉强算显著），和其他的都远小于0.05。

---

留个小尾巴：这些改进版怎么用？

刚才说的都是跑测试函数，其实这些算法最核心的用途是优化超参数或者优化目标函数：

• 优化超参数：比如BP神经网络的学习率、隐藏层节点数，SVM的惩罚因子C、核函数参数γ，VMD的模态数K、惩罚因子α；
• 优化目标函数：比如投影寻踪模型的投影指标函数，K-means聚类的轮廓系数（或者误差平方和的倒数），PID控制器的控制参数；
• 甚至可以改结构：比如把PEDSSA的分层结构用到其他群智能算法里（比如多种群寄生灰狼GWO），或者把CDSSA的动态邻居学习用到鲸鱼WOA里。

如果大家有具体的场景（比如“帮我优化VMD分解轴承振动信号，然后用ELM做故障诊断”），或者想自己定制某个算法的改进版，都可以在评论区或者私信戳我，我会尽量帮大家出主意（或者直接提供代码片段）。

多种改进的樽海鞘群算法SSA对比：基于疯狂自适应樽海鞘群CASSA、基于衰减因子和动态学习樽海鞘群CDSSA、基于自适应多种群寄生樽海鞘群PEDSSA，并和灰狼GWO、鲸鱼WOA、哈里斯赢HHO算法进行对比，提供适应度最差值、最优值、平均值、标准差以及秩和检验结果，用箱线图描述寻优结果分散程度，可定制其他算法的改进及其应用(BP、SVM、LSSVM、ELM、LSTM、ELMAN、DELM等模型，投影寻踪模型，优化聚类模型，VMD模型等等)

今天就唠到这里啦，下次有机会再给大家看看这些改进版套在实际问题里的效果！