鲸鱼算法求解线性规划：罚函数设计与Python实现

1. 为什么要用鲸鱼算法去解线性规划

1.1 线性规划不是已经有标准解法了吗

线性规划是我接触运筹学和数学建模时最先遇到的优化模型。标准形式很简单，目标函数和约束条件都是线性的，例如：

最大化c^T x，满足A x <= b，且x >= 0。

对这种问题，工程上已经有非常成熟的解法。单纯形法从顶点出发，沿着可行域的棱边移动，通常几十次迭代就能找到最优顶点；内点法更适合大规模问题，变量数量上百万甚至上千万时，高性能求解器依然能在合理时间内把最优解算出来。像 Gurobi、CPLEX、SCIP、CBC 这些求解器，已经把线性规划处理得非常“工业化”了。

既然如此，为什么还要研究“鲸鱼算法求解线性规划”？这个问题我在做算法实验和指导学生建模时经常被问到。我的回答通常是：鲸鱼算法不是来替代求解器的，它更适合作为元启发式算法学习、算法对比和扩展研究的起点。鲸鱼算法是一种模拟座头鲸气泡网捕食行为的群体智能优化算法，2016 年提出后在很多非线性、非凸、不可导的优化问题里都有应用。拿它来解线性规划，本质上是一种“跨界”练习，能帮你更清楚弄懂什么叫约束处理、什么叫可行域、什么叫收敛性，也能让你体会到为什么线性规划要交给专门的求解器反而更稳。

1.2 鲸鱼算法真正擅长的场景

严格说，鲸鱼算法并不擅长线性规划。线性规划的目标函数是凸的，可行域是多面体，局部最优解就是全局最优解，这类问题应该用基于梯度的精确算法或者成熟求解器。鲸鱼算法是随机搜索方法，它不依赖目标函数的梯度，也不要求问题是凸的，所以它更适合这样一类场景：目标函数很复杂、有多个局部极值、甚至不能写出具体解析表达式，只能通过仿真或黑箱程序给出一个评价值。

很多实际问题天然就满足这种“乱糟糟”的特点，例如车间调度、车辆路径规划、神经网络超参数调优等。这些模型里可能含有非线性目标、离散变量、复杂约束，此时传统求解器建模困难，而鲸鱼算法只需要配一个适应度函数就能开始搜索。所以说，鲸鱼算法的价值在于“给没有梯度信息、没有精确模型的问题提供了一个近似求解入口”。

用鲸鱼算法解线性规划，就好比用越野车去跑赛道直线加速，虽然也能到终点，但肯定不如专业赛车快。这篇内容更适合下面三类人：第一类是在学优化算法、想亲手实现一个鲸鱼算法的学生；第二类是参加数学建模竞赛、需要快速验证某个模型能不能用启发式搜索来逼近的选手；第三类是做元启发式算法横向对比的工程师和研究人员。

1.3 我不建议你完全照搬什么套路

读到这里你可能会想：既然求解器更稳，那我何必还要学鲸鱼算法解线性规划？我的建议是：不要把它当成一个生产工具来用，而要当成一扇理解优化算法差异的窗口。线性规划是最干净的测试场，因为它的最优解是已知的，你可以拿鲸鱼算法的结果和单纯形法的结果做对比，观察随机搜索的误差来源。理解了这些之后，再去面对非线性、非凸问题，你才真正知道鲸鱼算法该在什么时候介入，什么时候该绕开。

2. 鲸鱼算法核心机制：座头鲸怎么找最优解

2.1 三个动作的数学模型

鲸鱼算法的设计灵感来自座头鲸捕食。座头鲸会围住猎物群，然后沿螺旋路径向上吐气泡，把磷虾和小鱼赶向水面，最后在气泡网中心张口吞食。这个行为在算法里被抽象成了三种位置更新方式：包围猎物、气泡网螺旋攻击、随机搜索猎物。

第一种是包围猎物。算法假设当前搜索到的全局最优点是猎物位置，其它鲸鱼向这个位置靠近。位置更新公式可以写成：

D = |C * X_best - X(t)| X(t+1) = X_best - A * D

这里X_best是当前最优鲸鱼位置，A和C是两个关键系数。A = 2 * a * r - a，C = 2 * r，其中r是 0 到 1 之间的随机数，a随迭代次数从 2 线性递减到 0。a的递减让鲸鱼在早期能大范围活动，后期逐渐收敛到最优解附近。

第二种是气泡网螺旋攻击。算法生成一个随机概率p，当p >= 0.5时，鲸鱼会沿着一个对数螺旋路径向当前最优解靠近，更新公式为：

D' = |X_best - X(t)| X(t+1) = D' * exp(b * l) * cos(2 * pi * l) + X_best

这里b是常数，通常取 1，l是[-1, 1]之间的随机数。对数螺旋能保证鲸鱼在收缩包围猎物时，同时保留环绕搜索的轨迹，不至于一步就直接跳到猎物脸上。

第三种是随机搜索鲸鱼。当p < 0.5且|A| >= 1时，算法不再向当前最优个体靠近，而是随机选一条鲸鱼作为参考，让当前个体向那个方向更新。这样做能扩大搜索范围，避免所有鲸鱼都过早挤在局部极值附近。

为了更直观理解，可以把标准鲸鱼算法的判断逻辑整理成一个简表：

我实际调代码时发现，很多入门教程会把p、A、C的实现搞混。最简单稳妥的做法是：每一条鲸鱼每次迭代重新生成一个p，再根据|A|判断走收缩还是随机，螺旋更新和收缩更新通过p来切换。这样既保留了探索能力，也让后期有足够强的局部搜索能力。

2.2 探索与开发怎样影响线性规划的求解

鲸鱼算法搜索时存在非常明显的“探索-开发”平衡问题。早期迭代a接近 2，A的取值范围比较大，鲸鱼会满空间乱跑，这是在找那些可能有最优解的区域；后期a接近 0，A的取值范围变小，鲸鱼都在当前最优位置附近翻滚，这是在做局部收敛。

对线性规划来说，可行域是一个凸多面体，最优点一定在某个顶点上。鲸鱼算法并不知道哪几个约束会相交，它只能靠罚函数的数值变化来感知方向。如果早期探索不够，鲸鱼容易过早收敛到一个可行但非最优的区域内；如果后期开发不够，它又会在最优顶点附近反复震荡，始终差最后一点精度。所以我在做线性规划测试时，通常会刻意观察它是否真的收敛到了边界顶点，而不是随便满足约束就算成功。

3. 从模型到一个能跑的鲸鱼算法实现

3.1 罚函数设计：把线性约束变成适应度的一部分

鲸鱼算法本身只能处理无约束问题，或者至少不能直接接受到A x <= b这类约束条件。要让鲸鱼算法解线性规划，第一步就是把约束塞进适应度函数里。

我常用的方式是“外点罚函数法”。对于一个最大化问题：

max f(x) = c^T x s.t. A x <= b x >= 0

把目标函数改写成最小化形式：

fitness(x) = -c^T x + lambda * sum( max(0, A x - b)^2 )

这里max(0, A x - b)表示逐项检查约束有没有被打破。如果A x的某一项小于等于b，说明这条约束满足，惩罚为 0；如果超过了b，就形成一个正惩罚值。把所有约束的惩罚平方加在一起，再乘以一个较大的lambda，就能让不满足约束的个体目标值变得更差，从而被鲸鱼算法淘汰。

为什么要用平方而不是直接取max(0, A x - b)的绝对值之和？我个人的体会是平方惩罚对超限值更敏感，越远离可行域惩罚增长越快，算法更容易被“推”回可行域。但平方惩罚也有副作用，如果lambda设置得太大，罚函数项的数值会远大于目标函数，鲸鱼虽然能跑到可行域里，却可能在可行域内分不清哪个点更好。所以一般来说，lambda取1e3到1e6都是常见范围，具体要根据目标函数量级来调。

3.2 一个两变量线性规划示例

为了便于复现，我这里用一个非常简单的例子：

最大化 z = x1 + 2 * x2 约束： x1 + x2 <= 4 x2 <= 2 x1 >= 0, x2 >= 0

这个问题的精确最优解很容易求出来：x1 = 2，x2 = 2，目标值z = 6。用鲸鱼算法求解时，我先设定每个变量的搜索范围是[0, 10]，然后用罚函数把两条线性约束处理掉，代码可以这么写：

import numpy as np np.random.seed(42) c = np.array([1.0, 2.0]) A = np.array([[1.0, 1.0], [0.0, 1.0]]) b = np.array([4.0, 2.0]) lb = np.array([0.0, 0.0]) ub = np.array([10.0, 10.0]) def fitness(x, lam=1e4): # 最大化问题转成最小化，所以目标函数取负号 # 不满足线性约束时按平方和惩罚 violation = np.maximum(0, A @ x - b) return -c @ x + lam * np.sum(violation ** 2)

接下来写鲸鱼算法主循环。为了让你看明白，我不封装得太复杂，每步都有注释，方便调试：

def woa(fitness, lb, ub, n_pop=30, max_iter=300): dim = lb.size # 初始化种群 positions = np.random.uniform(lb, ub, (n_pop, dim)) best_pos = positions[0].copy() best_fit = fitness(best_pos) for i in range(n_pop): f = fitness(positions[i]) if f < best_fit: best_fit = f best_pos = positions[i].copy() for t in range(max_iter): a = 2 - 2 * t / (max_iter - 1) for i in range(n_pop): p = np.random.rand() A_coef = 2 * a * np.random.rand() - a C_coef = 2 * np.random.rand() if p < 0.5: if abs(A_coef) < 1: # 收缩包围：向当前最优鲸鱼靠近 D = np.abs(C_coef * best_pos - positions[i]) new_pos = best_pos - A_coef * D else: # 全局探索：向随机鲸鱼靠近 k = np.random.randint(n_pop) rand_whale = positions[k] D = np.abs(C_coef * rand_whale - positions[i]) new_pos = rand_whale - A_coef * D else: # 螺旋气泡网更新 D = np.abs(best_pos - positions[i]) l = np.random.uniform(-1, 1) new_pos = D * np.exp(l) * np.cos(2 * np.pi * l) + best_pos # 把鲸鱼拉回边界内 new_pos = np.clip(new_pos, lb, ub) f_new = fitness(new_pos) if f_new < fitness(positions[i]): positions[i] = new_pos if f_new < best_fit: best_fit = f_new best_pos = new_pos.copy() return best_pos, -best_fit, best_fit x_best, obj_best, _ = woa(fitness, lb, ub) print("最优位置 x =", x_best) print("目标函数值 =", obj_best) print("约束违反量 =", A @ x_best - b)

我在本地跑这段代码时，有一次输出大约是这样的：

最优位置 x = [1.9994 1.9984] 目标函数值 = 5.9963 约束违反量 = [ -0.0023 -0.0016]

虽然离精确解[2, 2]还有一点点误差，但已经非常接近了。你也可以把随机种子改小一点，多运行几次观察波动。如果你追求更严格的可行解，输出后需要对线性约束做一个小检查：只保留违反量小于某个容差、比如1e-4的解。

3.3 参数设置的实操经验

关于参数，初学者总是喜欢问：种群是不是越大越好？迭代次数是不是越多越好？

从我的实践来看，这个两变量问题用 20 条鲸鱼、200 次迭代就能稳定找到接近最优的区域。问题是维度一旦增加，搜索空间体积会指数增长，单纯加种群和迭代收益不大。我常用的默认参数组合是：种群数量n_pop = 30，最大迭代次数max_iter = 500；如果目标是高维非线性问题，会把n_pop提升到50左右，迭代次数提到1000。设置太大没有坏处，但计算成本会快速上升，尤其是罚函数里每次都要做矩阵乘法时，你的时间成本会线性增长。

有一个经验非常值得记录：lambda不要一开始就设成极大值。我遇到过很多次，因为罚函数太大，鲸鱼算法把大量搜索精力都放在“逃离不可行区域”上，导致目标函数优化被挤到角落里。更合理的做法是让惩罚系数随迭代逐渐增大，比如：

lam = 1e3 * (t / max_iter) ** 2

迭代初期让lambda小一些，先把搜索区域铺开；迭代后期再把约束严格起来，让算法努力逼近可行域。这种动态策略比固定罚函数更容易找到高精度可行解。

4. 结果分析：鲸鱼算法到底能解多准

4.1 一次复现实验的观察结果

我用上面的算例做了个简单测试，运行 10 次，每次随机种子不同，统计结果大概如下：

从这些结果可以看出两件事。第一，鲸鱼算法在这么一个只有两个变量的小线性规划上，能找到非常接近最优解的答案，目标值和精确最优值6的误差大约在1e-2到1e-4量级。第二，每次运行结果并不完全相同，随机性带来的波动肉眼可见。如果你想在论文里展示算法性能，一定要使用多组随机种子的统计结果，不能只报一次最好值。

4.2 为什么误差总存在，而不是稳定等于 0

鲸鱼算法本质上是一个连续空间随机搜索算法，它的更新公式里有大量随机数，而线性规划的最优点又往往位于几个约束交界处的顶点上，这个顶点只是可行域边界上的一个孤立点。鲸鱼算法没有任何机制能够精确落在两个约束的交点上，它只能靠目标值和罚函数数值的变化一步步靠近。就算罚函数做得很精确，最后收敛到的点也可能在最优顶点周围的小邻域内，而不是正好压在顶点上。

这就是元启发式算法和精确算法的本质差别。单纯形法或内点法求解线性规划时，能从理论上保证全局最优，而且误差可以控制在机器精度级别。鲸鱼算法做不到这种保证，它只能给出一个在统计意义上比较接近全局最优的解。

所以，我对鲸鱼算法求解线性规划的建议是：适合用来做“算法评测”和“教学实验”，比如你可以用它和单纯形法对比，看启发式算法和精确算法的差距。但在实际工程中，比如要生产排程、物流调运、资源分配，如果模型真是线性规划，请老老实实调用linprog、CBC、SCIP 或商业求解器。用之前说过的惩罚函数包装线性约束，本质上是一种“给自己增加难度”的做法。

4.3 从线性规划延伸到更复杂问题

顺着鲸鱼算法求解线性规划的思路，你可以把fitness函数替换成任意目标函数和约束组合。比如非线性约束优化、整数编码的离散优化问题、或更难的非凸优化问题，只要你能写清楚某个候选解好不好，鲸鱼算法就能参与搜索。

在实际问题里，车辆路径规划、工艺参数优化、神经网络超参数搜索等领域经常能看到鲸鱼算法或其变体的身影。这些问题的共同特征是：目标函数不平滑，约束条件复杂，传统基于梯度的算法无从下手。鲸鱼算法由于不需要求导，只需要一个适应度函数打分，所以应用起来非常灵活。但要注意，灵活性不代表万能，尤其是有离散变量和强约束时，往往需要和局部搜索、修复算子结合起来，才会有稳定表现。

5. 常见问题与避坑技巧实录

5.1 每次运行结果都不一样

这是很多刚上手鲸鱼算法的人最容易疑惑的问题。随机初始化加随机更新，结果当然不可能完全一致。第一次跑位置是[2, 2]，第二次变成[1.998, 1.997]，这是非常正常的。

解决办法不是强行消除随机性，而是用统计思维看待结果。我通常建议做三件事：第一，固定随机种子做一次可复现调试；第二，用多个不同种子跑 10 到 30 次，记录最好值、中位数、最差值；第三，报告实验时给出均值和标准差，这样才能让别人相信你的算法不是碰巧跑出来的。

这里也顺便给一个很重要的提示：千万不要拿鲸鱼算法在某一次运行的结果去和精确求解器比较，然后声称鲸鱼算法“更优”。如果出现了这种结果，十有八九是对比条件不一致，或者测试用例设计偏了。

5.2 明明有可行解，却搜不到可行解

线性规划的可行域如果很窄，鲸鱼算法很容易在不可行域里打转。两个变量时你还能靠画图判断可行域在哪，但到了高维，可行域可能只是一个非常薄的切片，随机产生初始种群时撞进去的概率很小。

处理思路有三个层次。第一个层次是提高lambda或使用动态罚函数，迫使鲸鱼尽快回到可行域。第二个层次是改进初始化，不要纯随机撒点，可以先生成一个可行解，然后在可行解附近做小扰动，保证种群里有“火种”。第三个层次是针对约束做修复，比如有些线性约束边界很明显，可以把越界变量直接投影到最近的约束边界上。

我在做这类实验时最常用的还是动态罚函数。因为它实现成本最低，而且能让搜索过程从“先找好区域”逐渐过渡到“再找可行点”。如果你发现动态罚函数还是不够，那就要反思问题本身是不是非常病态，这时候别硬用鲸鱼算法，建议换精确求解器或者把问题重新建模。

5.3 所有鲸鱼很快挤在一起，失去多样性

理论上，鲸鱼算法有随机搜索分支应该能避免早熟收敛，但实际运行中如果每一条新解都向全局最优个体更新，种群多样性会快速下降，尤其当初始最优个体位置偏差较大时。我的一个观察是，贪婪更新策略能加快收敛，却也牺牲了多样性。

如果你在代码里使用了“新解比旧解好才替换”这种策略，可以尝试调整为：即使新解比当前解差一些，也有小概率接受它。这类似模拟退火的思想，能让种群拥有跳出局部区域的能力。另一种很简单有效的方法是，每隔一定迭代次数重新初始化部分恶劣个体，或者采用多起点策略，不让整个种群被同一个最优位置控制。

还有一个细节容易被忽略：避免反复在所有维度上使用同一个随机系数。有的鲸鱼算法实现会对每个维度单独生成随机数，这在高维优化中非常重要。如果所有维度用同一个A和C，搜索方向会被限制在对角线附近，收敛速度会慢很多。你可以根据自己的实际问题微调实现方式。

5.4 一个更稳妥的调试顺序

如果你按照我的代码跑完后，还是觉得结果不满意，我的建议是不要一上来就调参，而是先做三件事。第一，打印每一次迭代的目标值和约束违反量，观察算法是否在约定次数内逐渐收敛。第二，把收敛后的最优个体和精确解放在一起对比，看主要是目标偏了还是约束没满足。第三，把罚函数中的lambda从1e2到1e6各跑几次，观察误差如何变化，这样你就能清楚知道当前问题对惩罚系数的敏感度。

多跑几次你会发现，鲸鱼算法用于线性规划的结果就像一把精度有限的尺子，能测出大概位置，但永远替代不了游标卡尺。这也是我写这篇内容最想分享的一点：不要神化任何一种元启发式算法，也不要完全忽视它的价值。弄清楚每个算法的边界条件，知道什么时候该用什么工具，才是做优化研究最核心的能力。