作者：黃敬之 | 中國科學院大學
培養機關：中國科學院實體研究所
稽核：王霆 | 中國科學院實體研究所副研究員
耳廓狐
耳廓狐，學名Fennec fox，是一種小型的夜行性犬科動物，主要生活在非洲北部和亞洲西部的沙漠地區。這種狐狸因其顯著的大耳朵而得名，這些耳朵不僅在比例上是所有狐狸種類中最大的，而且相對于它的身體大小也是非常大的。耳廓狐的體型較小，通常體長不超過60厘米，尾巴長約30厘米，耳朵占頭部一半以上的長度，體重大約在1.5到3.5公斤之間。它們的皮毛通常是沙色或淡黃色，這種顔色與它們生活的沙漠環境相融合，有助于僞裝和隐蔽。在食物方面，耳廓狐是雜食性動物，主要以植物、果實、昆蟲、小型哺乳動物和鳥類為食。它們的飲食習性也随着季節和食物的可用性而變化。
那麼這麼大的耳朵有什麼用處呢？
耳廓狐的大耳朵具有多種功能。首先，它們幫助耳廓狐散熱，由于耳朵内部的血管網絡，當血液流過這些耳朵時，熱量會被散發出去，進而幫助動物在高溫的沙漠環境中保持體溫。其次，這些耳朵也是極好的聽力工具，能夠幫助耳廓狐捕捉到遠離數公裡之外的微弱聲音，這對于捕食和避免天敵至關重要。
耳廓狐是最小的狐狸種類，它們具有一些獨特的生存技能，其中包括出色的挖掘能力和逃避捕食者的政策。
耳廓狐的挖掘能力非常強大，這主要得益于它們敏銳的聽覺和強壯的前肢。耳廓狐的大耳朵提供了非常敏銳的聽覺。它們能夠聽到地下獵物的微弱聲響，進而準确地定位獵物的位置。耳廓狐的前肢非常适應挖掘工作，它們的爪子和前掌結構使它們能夠高效地在沙土中挖掘。一旦發現獵物，耳廓狐會迅速開始挖掘，它們的爪子能夠快速移動沙土，直到捕捉到獵物。這種挖掘能力不僅幫助耳廓狐擷取食物，也是它們在沙漠環境中生存的關鍵适應性特征。
耳廓狐在面對捕食者時，會展現出了高超的逃避技巧。由于耳廓狐是速度非常快的動物，它們可以在短時間内達到很高的速度，這使它們能夠迅速逃離捕食者。此外耳廓狐在逃跑時還會突然改變奔跑方向，這種不規律的移動模式使得捕食者難以預測它們的行蹤，進而增加了逃脫的機會。更加聰明的一點是，耳廓狐還會利用沙漠中的地形來躲避捕食者，例如，它們可能會利用沙丘或植被來遮擋視線，進而擺脫追蹤。
耳廓狐搜尋優化算法
剛剛我們介紹的這些逃避政策使得耳廓狐能夠在野外生存環境中有效地躲避天敵，保持種群的延續。這些行為不僅展現了耳廓狐對環境的适應性，也為科學家和工程師提供了靈感，尤其是在計算機搜尋優化算法領域，耳廓狐的生物學行為促進了仿生學和優化算法的發展。
比如在搜尋算法中有一種以耳廓狐命名的優化算法（Fennec Fox Optimization, FFA），其算法靈感來自于剛剛我們提到的耳廓狐的挖掘能力和逃避政策 [1]。搜尋算法的兩大難題分别是如何提高局部搜尋的效率和如何在全局搜尋中避免陷入局部最優解。FFA算法通過模拟這兩種行為來指導搜尋過程，以尋找問題的最優解：
在局部搜尋上，FFA算法在搜尋空間中模拟耳廓狐挖掘的行為，通過在目前解的鄰域内進行探索，尋找可能的更優解。這種局部搜尋有助于算法在已知解附近進行細緻的搜尋，進而提高解的品質。
在全局搜尋上，FFA算法還模拟耳廓狐逃避捕食者的行為，通過在整個搜尋空間中随機跳躍，以避免陷入局部最優解，并尋找全局最優解。這種全局搜尋有助于算法保持多樣性，避免過早收斂。
通過這兩種行為的結合，FFA算法在探索（避免陷入局部最優）和利用（改進目前解）之間取得了平衡，進而在解決優化問題時能夠更有效地搜尋解空間，并提高找到全局最優解的機率。這種平衡是元啟發式算法成功的關鍵，因為它允許算法在保持廣泛搜尋的同時，也能夠針對最有希望的區域進行深入探索。
其他仿生優化算法
除了耳廓狐算法之外，仿照生物的搜尋優化算法還有以下幾種：
灰狼優化算法（GWO）是一種模拟灰狼社會結構和狩獵政策的優化方法。在這個算法中，灰狼群體被劃分為四個等級：alpha、beta、delta和omega。其中，alpha狼作為上司者，主導決策制定；beta和delta狼則輔助alpha狼進行狩獵活動；而omega狼則處于從屬地位，通常跟随其他成員行動。GWO算法通過模拟灰狼群體的狩獵過程，包括圍捕、追捕和攻擊等行為，來疊代更新解決方案。此外，算法引入了一個自适應參數，用以調節全局搜尋與局部開發的比重，以達到更優的解 [2]。
鲸魚優化算法（WOA）受到座頭鲸狩獵行為的啟發，特别是它們利用氣泡網捕食的獨特方式。在WOA中，候選解被視為一群鲸魚，而最優解則代表了捕食目标。算法通過包圍獵物、氣泡網攻擊和搜尋獵物三種主要機制來更新鲸魚的位置。在包圍階段，鲸魚環繞獵物遊動；氣泡網攻擊階段則通過螺旋路徑逐漸接近獵物；搜尋階段則涉及随機搜尋獵物的行為。這三種機制的結合使得WOA能夠有效地在搜尋空間内進行探索 [3]。
麻雀搜尋算法（SSA）模仿了麻雀覓食和警戒捕食者的行為模式。在SSA中，麻雀群體分為探索者和追随者兩類。探索者在已知最佳位置周圍尋找食物，并利用levy飛行模式來加強全局搜尋能力；追随者則跟随探索者，在較小的區域内尋找食物。一旦探索者發現捕食者的迹象，整個麻雀群體會迅速飛往安全的區域。這種機制使得SSA能夠在全局搜尋和局部開發之間實作平衡，有效解決各類優化問題 [4]。
以上這幾種搜尋優化算法分别仿照了不同的生物類群進行學習，有興趣的小夥伴可以了解一下。可見，大自然是人類認知的寶庫，盡管人類科技已經日新月異，我們仍然能從大自然中學到很多。
參考文獻[1]E. Trojovská, M. Dehghani, and P. Trojovský, "Fennec Fox Optimization: A New Nature-Inspired Optimization Algorithm," IEEE Access 10, 84417–84443 (2022).
[2.]Behavior of Grey Wolf Optimization (GWO) Algorithm using Meta-heuristics method
[3].S. Mirjalili and A. Lewis, "The Whale Optimization Algorithm," Adv. Eng. Softw. 95, 51–67 (2016).
[4].Sparrow Search Algorithm (SSA): A Swarm Intelligence Optimization Algorithm for the Application to Solve Practical Engineering Examples
編輯：穆梓