想对此进行改进写篇毕业论文，求求各位前辈不吝指教并分享代码案例

额我觉得你还是要说出你的课题，这样才有优化的范围和空间

周老师的状态转移算法，STA

蜣螂优化算法(Dung Beetle Optimizer, DBO)是一种新型的群智能优化算法，在2022年底提出，主要是受蜣螂的的滚球、跳舞、觅食、偷窃和繁殖行为的启发。具有寻优能力强，收敛速度快的特点。

注：该团队曾提出过麻雀搜索算法 （Sparrow Search Algorithm）

蜣螂是自然界常见的昆虫，以动物的粪便为食。学过生物的同学都知道，它们在自然界中扮演着分解者的角色，这意味着它们在生态系统中至关重要。一方面，蜣螂会尽可能快速地移动它们的粪球，这样可防止被其他蜣螂竞争；另一方面，蜣螂会利用天体线索(特别是太阳、月亮和偏振光)来导航，使粪球沿直线滚动。然而，如果没有了光源(即完全黑暗)，蜣螂的路径就不再是直线，而是弯曲的，有时甚至略圆。一些自然因素(如风和不平整的地面)也会导致蜣螂偏离原来的方向。此外，蜣螂在滚动粪球时很可能遇到障碍物，无法前进。此时，蜣螂会爬到粪球上跳舞(包括一系列的旋转和停顿)，这也决定了它们新的运动方向。

蜣螂收获的粪球主要有两个目的:1) 一些粪球用来产卵和养育下一代；2) 其余的用作食物。具体来说，蜣螂把粪球埋起来，雌性蜣螂在这些粪球里产卵。粪球不仅是幼虫的发育场所，还为幼虫提供了生活所必需的食物。

算法设计：

如上所述，作者对蜣螂的滚球、跳舞、觅食、偷窃和繁殖行为进行数学建模。DBO算法主要包括四个过程：滚球、繁殖、觅食和偷窃。

可以加qq讨论群：439115722，群内有相关源码和文章

也可以自行下载matlab code: Dung beetle optimizer (DBO)

中文介绍：

蜣螂优化算法_百度百科

英文介绍：

https://link.springer.com/article/10.1007/s11227-022-04959-6

改进的话，建议研究动态亚群策略。

针对各种群智能优化算法，现有的改进措施主要包括改进初始化方式、改进算法学习策略、改进参数优化、算法混合策略和亚群策略等。其中亚群策略可以显著增强群智能算法的全局勘探能力，在面对复杂的多模态问题时有良好的表现。

亚群又称子群，亚群策略是将种群划分为多个亚群，以此增加种群多样性。不同亚群之间勘探或开发过程互不影响， 亚群可以在迭代过程中动态地进行信息交互，还可以根据亚 群内部结构的变化使算法逐步转向开发、勘探或平衡阶段， 故亚群策略可以加快算法求解的速度，提高算法的全局搜索 能力。亚群的不同探索方式能够扩大算法的搜索空间，亚群之间的信息交互能够很好地帮助算法跳出局部最优，因此亚 群策略改进的算法全局搜索能力和局部开发能力都有较大提高。

亚群之间独立变化、缺乏信息交流，容易形成多个亚群围绕一个优质亚群变化的情形，失去了多亚群策略的全局勘探能力。以粒子群优化算法为例，动态多亚群粒子群优化（Dynamic Multi-Swarm Particle Swarm Optimizer，DMS-PSO），DMS-PSO在算法迭代的过程中引入了动态划分的思想，将种群划分为多个亚群以保持种群的多样性，同时每隔R次迭代就重新划分亚群，以帮助粒子跳出局部最优。在算法迭代即将结束时， DMS-PSO将所有亚群合并成一个种群执行PSO 进行全局开发，每进行R次迭 代后亚群可能会收敛到近似最优解的位置，此时将亚群重新划分，在增加不同亚群粒子之间的信息交流的同时也增加新亚群的种群多样性。

此外可以研究网络结构搜索（NAS）。

AutoML一定程度上又带火了遗传优化算法之类的群体优化算法。

AutoML能够将自动化和机器学习结合在一起，通过网络结构搜索（NAS）得到最优的网络结构，然后通过基于梯度下降的训练过程，学习得到网络最优的权重。NAS简化了神经网络的设计过程，降低了使用门槛，由此得到的网络，有的可以媲美人类专家，甚至得到一些新型的网络结构。

搜索策略
搜索策略定义了如何在搜索空间搜索出高性能的网络。按照搜索策略，通常NAS可以分为3类：

1.基于增强学习RL的NAS：基于RL的NAS是把网络的生成看成一个agent选择action的过程，通过在测试集上评估网络性能来获取reward，从而找到最优网络。这需要庞大的算力，搜索效率低，稳定性不能保证。

2.基于梯度下降的NAS：基于梯度下降的NAS是将搜索空间松弛到连续阈，虽然搜索效率高，但是需要从人为指定的超网络中寻找子网络，超网络的存在限制了网络结构的多样性。

3.基于遗传算法（EA）的NAS：基于遗传算法的NAS是受生物种群进化启发而产生的一种全局化的优化算法，稳定性高，进化操作随机，保证了网络结构的多样性，同时有可能找到较小的高性能模型。