麻雀搜索算法(SSA)原理详解与Python实现

搜索算法(SSA)原理详解与Python实现

📅 2026-05-08 | 🏷️ 智能优化 | 🏷️ 元启发式算法 | 🏷️ SSA

一、引言

麻雀搜索算法(Sparrow Search Algorithm, SSA)是2020年由Xue等提出的一种新型元启发式优化算法。该算法模拟了麻雀群体的觅食和反捕食行为，具有收敛速度快、精度高的特点，在多个基准测试函数上表现优异。

本文详细介绍SSA的生物学原理、数学模型，并提供完整的Python实现代码。

二、算法原理

2.1 麻雀群体行为模拟

SSA将麻雀群体分为三类角色：

发现者(Discoverers)：负责寻找食物源，带领群体移动
追随者(Followers)：跟随发现者觅食
警戒者(Sentinels)：感知危险，发出警报

2.2 位置更新公式

发现者位置更新：
X i d + 1 = { X i d ⋅ exp ⁡ ( − i α ⋅ i t m a x ) i f S D < S T X i d + Q ⋅ L i f S D ≥ S T X_{i}^{d+1} = \begin{cases} X_{i}^{d} \cdot \exp\left(-\frac{i}{\alpha \cdot it_{max}}\right) & if \quad SD < ST \\ X_{i}^{d} + Q \cdot L & if \quad SD \geq ST \end{cases}Xid+1​={Xid​⋅exp(−α⋅itmax​i​)Xid​+Q⋅L​ifSD<STifSD≥ST​

其中S D SDSD为随机数，S T ∈ [ 0.5 , 1.0 ] ST \in [0.5, 1.0]ST∈[0.5,1.0]为安全阈值，α ∈ ( 0 , 1 ] \alpha \in (0, 1]α∈(0,1]。

追随者位置更新：
X i d + 1 = { Q ⋅ exp ⁡ ( X w o r s t − X i d i 2 ) i > n 2 X P d + 1 + ∣ X i d − X P d + 1 ∣ ⋅ A + ⋅ L o t h e r w i s e X_{i}^{d+1} = \begin{cases} Q \cdot \exp\left(\frac{X_{worst} - X_{i}^{d}}{i^{2}}\right) & i > \frac{n}{2} \\ X_{P}^{d+1} + |X_{i}^{d} - X_{P}^{d+1}| \cdot A^{+} \cdot L & otherwise \end{cases}Xid+1​={Q⋅exp(i2Xworst​−Xid​​)XPd+1​+∣Xid​−XPd+1​∣⋅A+⋅L​i>2n​otherwise​

警戒者位置更新：
X i d + 1 = { X b e s t d + β ⋅ ∣ X i d − X b e s t d ∣ f i > f g X i d + K ⋅ ∣ X i d − X w o r s t d ∣ / f i f i = f g X_{i}^{d+1} = \begin{cases} X_{best}^{d} + \beta \cdot |X_{i}^{d} - X_{best}^{d}| & f_i > f_g \\ X_{i}^{d} + K \cdot |X_{i}^{d} - X_{worst}^{d}| / f_i & f_i = f_g \end{cases}Xid+1​={Xbestd​+β⋅∣Xid​−Xbestd​∣Xid​+K⋅∣Xid​−Xworstd​∣/fi​​fi​>fg​fi​=fg​​

三、Python实现

importnumpyasnpimportmatplotlib.pyplotaspltclassSparrowSearchAlgorithm:def__init__(self,dim=30,pop=30,max_iter=500,lb=-100,ub=100,ST=0.8,PD=0.7,SD=0.2):self.dim=dim self.pop=pop self.max_iter=max_iter self.lb=lb self.ub=ub self.ST=ST# 安全阈值self.PD=PD# 发现者比例self.SD=SD# 警戒者比例defoptimize(self,obj_func):# 初始化X=np.random.uniform(self.lb,self.ub,(self.pop,self.dim))fitness=np.array([obj_func(x)forxinX])sorted_idx=np.argsort(fitness)best_x=X[sorted_idx[0]].copy()best_f=fitness[sorted_idx[0]]convergence=[]fortinrange(self.max_iter):# 排序sorted_X=X[sorted_idx]worst=sorted_X[-1].copy()best=sorted_X[0].copy()# 发现者更新PD_num=int(self.pop*self.PD)foriinrange(PD_num):r2=np.random.random()ifr2<self.ST:# 安全区域：螺旋搜索X[sorted_idx[i]]=sorted_X[i]*np.exp(-t/(np.random.random()*self.max_iter))else:# 危险区域：圆形搜索X[sorted_idx[i]]=sorted_X[i]+np.random.randn(self.dim)*np.pi X[sorted_idx[i]]=np.clip(X[sorted_idx[i]],self.lb,self.ub)# 追随者更新SD_num=int(self.pop*self.SD)foriinrange(PD_num,self.pop-SD_num):ifi<PD_num+(self.pop-PD_num)//2:X[sorted_idx[i]]=sorted_X[i]+np.random.randn(self.dim)*(best-sorted_X[i])else:X[sorted_idx[i]]=sorted_X[i]+np.random.randn(self.dim)*(worst-sorted_X[i])X[sorted_idx[i]]=np.clip(X[sorted_idx[i]],self.lb,self.ub)# 警戒者更新foriinrange(self.pop-SD_num,self.pop):f_i=fitness[sorted_idx[i]]iff_i>best_f:X[sorted_idx[i]]=best+np.random.randn(self.dim)*np.abs(X[sorted_idx[i]]-worst)else:X[sorted_idx[i]]=worst+np.random.randn(self.dim)*np.abs(X[sorted_idx[i]]-best)X[sorted_idx[i]]=np.clip(X[sorted_idx[i]],self.lb,self.ub)# 评估fitness=np.array([obj_func(x)forxinX])sorted_idx=np.argsort(fitness)iffitness[sorted_idx[0]]<best_f:best_f=fitness[sorted_idx[0]]best_x=X[sorted_idx[0]].copy()convergence.append(best_f)returnbest_x,best_f,convergence

使用示例

# 测试函数defsphere(x):returnnp.sum(x**2)defrosenbrock(x):returnnp.sum(100*(x[1:]-x[:-1]**2)**2+(x[:-1]-1)**2)# 运行SSAnp.random.seed(42)ssa=SparrowSearchAlgorithm(dim=30,pop=30,max_iter=500)best_x,best_f,convergence=ssa.optimize(sphere)print(f"最优适应度:{best_f:.6f}")print(f"最优解:{best_x[:5]}...")# 显示前5个维度

四、实验结果

我们在多个基准测试函数上进行了实验：

五、SSA vs 其他算法

六、算法改进方向

1. 自适应安全阈值：根据迭代次数动态调整ST
2. 混沌初始化：使用混沌映射增强初始化质量
3. ** Levy飞行混合**：结合Levy飞行增强全局搜索能力
4. 反向学习：引入反向学习策略增强种群多样性

七、总结

麻雀搜索算法是一种高效的新型元启发式算法，具有：

• ✅ 收敛速度快
• ✅ 参数少(仅3个)
• ✅ 易于实现
• ✅ 跳出局部最优能力强

适用于函数优化、特征选择、路径规划等问题场景。

参考论文：
Xue J, Shen B. A novel swarm intelligence optimization approach: sparrow search algorithm

您的点赞是我创作的动力！