蜣螂最佳化算法（Dung Beetle Optimizer, DBO）是一種新型的群智慧型最佳化算法，由 Jiankai Xue等於2022年提出，主要受蜣螂的滾球、跳舞、覓食、偷竊和繁殖行為的啟發。該算法通過模擬蜣螂的自然行為來尋找最優解，包括：
滾球行為。模擬蜣螂滾動糞球的行為，利用天體導航，糞球沿直線滾動，如遇障礙則通過跳舞行為改變方向。
跳舞行為。蜣螂遇到障礙無法前進時，通過跳舞變換方向，獲得新的移動路線。
繁殖行為。模擬蜣螂選擇安全區域隱藏糞球並產卵的過程。
覓食行為。模擬幼蟲從卵中鑽出後尋找食物的過程。
偷竊行為。模擬蜣螂種群中存在的偷竊行為，作為一種競爭機制的模擬。
DBO算法具有以下優點：
適應性強。能夠應對複雜的最佳化問題，如連續、離散、多模態等。
高度並行。算法中的蜣螂個體可以同時進行搜尋，通過相互合作和信息交流加快搜尋速度。
全局搜尋能力。採用隨機初始化和隨機移動策略，能在搜尋空間中進行廣泛的探索，有機會找到全局最優解。
魯棒性強。對初始條件和參數的選擇不敏感，能在不同的問題和數據集上表現良好。
然而，DBO算法也存在一些缺點：
參數選擇困難。如蜣螂的移動速度和飛行距離等參數的選擇對算法性能有一定影響，但很難根據問題的特點來確定最佳參數值。
適應性較差。在處理某些特定類型的問題時，可能會表現出較差的性能，例如對於高維最佳化問題，由於搜尋空間過大，算法可能難以找到較好的解。
收斂速度較慢。算法中的蜣螂個體是通過隨機移動來搜尋的，因此在搜尋初期可能會有較大的隨機性，導致算法的收斂速度較慢。