海市蜃楼优化算法(FATA)-2024年二区Top新算法-公式原理详解与性能测评 Matlab代码免费获取

        声明：文章是从本人公众号中复制而来，因此，想最新最快了解各类智能优化算法及其改进的朋友，可关注我的公众号：强盛机器学习，不定期会有很多免费代码分享~

目录

原理简介

一、海市蜃楼滤光原理

二、光传播原理

（1）光折射（前半相）

（2）光折射（后半相）

（3）光反射

算法流程图和伪代码

性能测评

参考文献

完整代码

---

海市蜃楼优化算法(Fata morgana algorithm, FATA)是一种新型的元启发式算法（智能优化算法），灵感来源于海市蜃楼的形成过程，算法思路奇特，并不复杂，性能也不错，值得一试！该成果由Ailiang Qi于2024年8月发表在SCI的Top期刊《Neurocomputing》上！

由于发表时间较短，谷歌学术上还没人引用！你先用，你就是创新！

原理简介

灵感：第一阶段，根据基于定积分原理的海市蜃楼滤光原理对多光种群进行动态评估;图4左下角船体发出的多重光线，包括经过物理变换形成海市蜃楼的光线(x_best)，以及经过物理变换定向到别处而未形成海市蜃楼的光线(x_best)。

在第二阶段，海市蜃楼光种群执行光传播策略(包括前半折射策略、后半折射策略和全内反射)。光在非均匀密度介质中传播的物理变化是个体信息交换的过程，算法通过搜索目标产生海市蜃楼(最优解)。

一、海市蜃楼滤光原理

首先，该策略根据种群质量确定种群为其他光，或者海市蜃楼光来执行不同的搜索方法(Eq.(1))。人口素质是指人口的综合素质。在该策略中，种群适应度函数(f(x))的综合面积(S)代表种群质量。

适应度在SIA中代表个体质量。然而，离散的、高维的适应度值难以作为种群整体适应度的评价标准。因此，总体中的所有个体适应度都拟合到一个函数(f(x))。其中，fata morgana算法基于定积分原理，计算种群适应度函数曲线的积分面积(S)：

X是较轻的个体。Xnext是新的个体。算法1演示了fata morgana算法的海市蜃楼光滤波原理。其中，Eqs。(2-3)分别是前半折射策略、后半折射策略和全内反射策略。式(4)中，P为光种群的品质因子。S值越小，总体质量越好。最坏代表最差种群的质量。Sbest代表了最优秀种群的质量。海市蜃楼种群具有优良的种群质量。在式(5)中，q为个体品质因子。Fiti表示当前个体(x)的适应度，fitworst表示最差个体的适应度。Fitbest代表最佳个体的适合度。

二、光传播原理

（1）光折射（前半相）

在图7中，光x在前半折射时进入密度不均匀的介质，从光密度较大的介质向光密度较薄的介质传播，改变了光的方向和大小。

Xnext是新的个体。Xbest是目前最好的个体。Xz表示策略的折射步骤。para是前半折射比。para1在光的传播过程中发生变化。在式(10)中，为了简单测量折射时的入射角(i1)和反射角(i2)，参数θ代替fata morgana算法中的角度变化，θ∈[0,1]。

（2）光折射（后半相）

在完成前半折射阶段后，光在随机点进行后半折射阶段。图8分析了光的后半折射过程。入射角i3小于折射角i4。光在密度不均匀的介质中传播，因此折射率(Para2)是连续变化的。在后半折射策略中，光个体(xf)将基于搜索空间中的随机个体(xrand)生成一个新的个体(xnext)。

x是后半折射策略中的折射步骤。Xrand是从人群中随机抽取的个体。Para2是第二折射比。算法最后阶段Para2的剧烈振荡增强了算法避免局部最优的能力。

（3）光反射

全内反射相位是海市蜃楼现象形成过程中光传播的最后阶段。这是因为随着折射角的增大，光在密度不均匀的介质中发生全内反射。全面的内部反思策略驱使联邦直辖部落居民向相反的方向探索。图10分析了光的反射过程。E和F分别是入射光和折射光到水平面的距离。在该策略中，轻个体(x)转化为个体(xnext)，在相反的方向上寻找目标。

Xf是全内反射策略反射的个体。α是反射策略的反射率。α控制着光个体的变化模式。当α大于1时，xnext穿过边界，α∈[0,1]。Ub表示单个位置的上限。Lb表示个体位置的下限。

算法流程图和伪代码

为了使大家更好地理解，这边给出作者算法的流程图和伪代码，非常清晰！

如果实在看不懂，不用担心，可以看下源代码，再结合上文公式理解就一目了然了！

性能测评

原文作者在23个基准函数和CEC 2014上验证优化能力，并将该算法应用于三个实际工程优化问题，对其性能进行了评价。实验结果表明，该算法具有求解多类型函数的全面性和竞争力，且在工程问题中获得了比同类算法更好的结果。

这边为了方便大家对比与理解，采用23个标准测试函数，即CEC2005，设置种群数量为30，迭代次数为1000，进行测试！这边展示其中5个测试函数的图，其余十几个测试函数大家可以自行切换尝试！

可以看到，这个算法收敛速度较快！大家应用到各类预测、优化问题中也是一个不错的选择~

参考文献

[1]Qi A, Zhao D, Heidari A A, et al. FATA: An Efficient Optimization Method Based on Geophysics[J]. Neurocomputing, 2024: 128289.

完整代码

如果需要免费获得图中的完整测试代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：

FATA

也可点击下方小卡片，再后台回复个人需求（比如FATA-ELM）定制以下FATA算法优化模型（看到秒回）：

1.回归/时序/分类预测类：SVM、RVM、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、BP、XGBoost、TCN、BiTCN、ESN等等均可~

2.组合预测类：CNN/TCN/BiTCN/DBN/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）~

3.分解类：EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD等分解模型均可~

4.路径规划类：机器人路径规划、无人机三维路径规划、冷链物流路径优化、VRPTW路径优化等等~

5.优化类：光伏电池参数辨识优化、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、故障诊断等等均可~~

6.原创改进优化算法（适合需要创新的同学）：原创改进2024年的海市蜃楼优化算法FATA以及蛇鹫SBOA、蜣螂DBO等任意优化算法均可，保证测试函数效果！