引言
近年来，在合理框架内求解优化问题的元启发式算法的发展引起了全球科学界的极大关注。本期介绍一种新的创新算法------壁虎优化算法Gekko Japonicus Algorithm，GJA。该算法的灵感主要来自于壁虎的捕食策略和生存行为。通过模拟壁虎的混合运动模式、定向嗅觉引导、内隐群体优势倾向和尾巴自切机制等多种生物学行为，建立了数学模型，于2025年11月最新发表 在 JCR 1区，中科院3区期刊 Journal of Bionic Engineering 。
- 初始化：和其他群优化算法一样，采用均匀随机分布方法。每个个体在定义的搜索空间内按照均匀分布在每个维度上随机初始化。候选解的初始化定义为：
- 混合移动策略：虎利用其黏附能力和灵活的身体迅速向猎物爬去，同时在接近目标时降低运动速度，本研究提出了一种混合运动策略。该策略在利用高斯随机扰动提高局部搜索效率的同时，结合lsamvy飞行进行大规模跳跃。精确的运动机制由以下数学表达式控制：。
- 嗅觉辅助引导机制：壁虎有高度特殊的视网膜，使其能够准确地追踪猎物的运动。除了视觉感知，壁虎还拥有异常敏感的嗅觉系统。当猎物移动时释放的气味分子扩散到空气中，壁虎用它的嗅觉来近似猎物的大致位置。在发起攻击之前，它通过气味重新验证猎物的信息，以防止误捕。受这种生物机制的启发，该算法每3个个体引入一次指向全局最佳方向的制导修正
- 隐性团体逐利机制：壁虎能够感知信息素，高适应性个体分泌的信息素会吸引其他个体前往有利的区域。这种行为反映了一种隐性的集体信息传递形式，而不是直接的视觉跟随。该机制允许群体在搜索过程中利用精英个体信息，增强整体优化能力。为了对这种行为进行数学建模，对所有个体的适合度值进行排序。排序指数越小，适应度越高，个体越优。相关的数学模型为
- 尾巴自切突变机制：日本壁虎通常采用截尾来应对捕食者或环境干扰，分散威胁并获得逃跑的机会。在算法上下文中，该机制用于模拟个体明显偏离全局最优的情况，表明可能陷入次优区域。通过在解决方案的选定维度上执行类似尾巴的突变，个体从不利状态重置并重新排列到全局最优状态。该机制对应的数学模型如下：
算法伪代码：
原文作者为了评估GJA的性能，使用CEC2017和CEC2022基准测试集对14种最先进的元启发式算法进行了比较分析。此外，对实验结果进行Friedman检验，以评估各种算法之间差异的统计学意义。采用多种定性指标对GJA进行评价，进一步证实了其勘查开发的优越性。最后，利用GJA求解了4个工程优化问题，并将其应用于机器人路径规划中，验证了GJA算法的有效性。
参考文献
Zhang, K., Zhao, H., Li, X. et al. Gekko Japonicus Algorithm: A Novel Nature-inspired Algorithm for Engineering Problems and Path Planning. J Bionic Eng 23, 431--471 (2026). https://doi.org/10.1007/s42235-025-00805-6.
Matlab代码下载
微信搜索并关注-优化算法侠（英文名：Swarm-Opti），或扫描下方二维码关注，以算法名字搜索历史文章即可下载。
完整代码
链接：https://pan.quark.cn/s/29556d4fcd1c
点击链接跳转：
400多种优化算法免费下载-matlab
求解cec测试函数-matlab
cec2022测试函使用教程及matlab代码免费下载
绘制cec2017/018/2019/2020/2021/2022函数的三维图像教程，SO EASY！
215种群智能优化算法python库
解决12工程设计优化问题-matlab
求解11种cec测试函数-python
解决30种工程设计优化问题-python
《一行破万法》：80余种改进策略仅需一行，可改进所有优化算法（附matlab代码）
【有经典，有最新】24种信号分解方法（附matlab代码）
【分类新范式】28种一维数据转换成二维图像的方法-matlab代码
2025年故障诊断的创新思路在哪里？赶紧来学习这28种创新方法！
https://mp.weixin.qq.com/s/EdRYeziIhnZE5zK0ZZhwmg