梦境优化算法(DOA)-2025年3月SCI一区新算法-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、初始化

二、勘探阶段

四、参数设置

五、边界处理方法

算法伪代码

性能测评

参考文献

完整代码

---

梦境优化算法(Dream Optimization Algorithm, DOA)是一种新型的元启发式算法（智能优化算法），灵感来源于人类梦境的启发。该算法结合了一个基本的记忆策略，一个遗忘和补充策略，以平衡探索和利用，值得一试！该成果由Yifan Lang于2025年3月发表在SCI一区Top期刊《Computer Methods in Applied Mechanics and Engineering》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：在有做梦经历的快速眼动睡眠期间，低频脑电波的功率降低，而高频脑电波的功率增加，这表明在做梦经历期间大脑的神经兴奋更大

一、初始化

与其他MAs类似，在初始化阶段，DOA首先在搜索空间内生成一个随机种群作为初始种群，从而开始算法的优化过程。初始总体的计算公式如下：

式中，N为个体数，即种群大小；Xi是种群中的第i个个体；Xl和Xu分别表示搜索空间的下边界和上边界；rand是一个dim维向量，每个维度是0到1之间的随机数。

二、勘探阶段

在勘探阶段（迭代计数从0到Td），我们首先根据记忆能力的差异将群体分为5组，每组中的个体更新如下：将每次迭代视为一次做梦行为，通过不断执行该行为，寻求最优解和最优值。在每次做梦之前，每组中的所有人都被展示了之前最好的梦（即之前迭代中最好的个体）。由于个体在做梦时随机地忘记了部分信息（即某些维度的信息，称为遗忘维度），因此只有遗忘维度中的位置被更新。各组记忆能力的不同意味着遗忘维度的数量不同，用参数k1、k2、k3、k4、k5表示。因此，首先将每个个体的位置重置为之前迭代中该组中最佳个体的位置，然后从Dim维度中随机选择kq维度，记为K1，K2，…，Kkq，并更新这些维度中的位置，其中q = 1,2,3,4,5表示组号。在每次迭代中，从第1个个体到第n个个体依次执行更新。具体更新方法和公式如以下几个步骤。

2.1 记忆策略

对于q组的个体，他们可以在做梦前记住小组中最优秀个体的位置信息，将自己的位置信息重置为小组中最优秀个体的位置信息：

2.2 遗忘和补充策略

遗忘和补充策略结合了全局和局部搜索功能。该策略遵循记忆策略，允许个体在遗忘维度中遗忘和自我组织位置信息。更新公式如下：

2.3 梦境分享策略

DOA中的梦境共享策略增强了局部最优解的逃逸能力。该策略与遗忘和补充策略并行运行，遵循记忆策略，允许个体在遗忘维度随机从其他个体获取位置信息。更新公式如下：

式中xt+1 i，j表示第i个个体在迭代t+1时在第j维的位置；m是每个维度更新在[1，N]范围内随机选择的自然数。

三、开发阶段

在开发阶段（从Td到Tmax的迭代计数），不再执行分组。在每次做梦之前，从之前的迭代中得到的最好的梦（即，从之前的迭代中得到的最好的个体）被展示给所有的人。然后，更新每个个体在遗忘维度中的位置。总体中所有个体具有相同数量的遗忘维度，记为kr。从D维度中随机选择kr遗忘维度，记为K1，K2，…，Kkr，并更新这些维度中的位置。更新公式如下：

3.1 记忆策略

其中Xt+ 1i代表第t+1次迭代时的第i个个体，Xt代表第t次迭代时整体中最优个体。

3.2 遗忘和补充策略

式中xt+1(i,j)表示第i个个体在迭代t+1时在第j维的位置；Xtbestj表示在迭代t代时的最佳位置。Xlj和xuj分别是第j维搜索空间的下界和上界；Rand是0到1之间的随机数；t为当前迭代次数，Tmax为算法的最大迭代次数。

四、参数设置

经过大量的数值实验，考虑到算法的稳定性和适用性，我们将DOA参数设置为：

其中Td表示探索阶段的最大迭代次数，Tmax表示总最大迭代次数；randi（a, b）表示在a ~ b范围内选择的随机整数。kq表示探索阶段q组的遗忘维度数，Dim表示问题维度。式中，randi（a, b）表示在a ~ b范围内选择的随机整数。kr表示开发阶段遗忘维度的个数，Dim表示问题维度。参数u用于调整探索阶段遗忘补充策略与梦境分享策略之间的比例。当rand < u时，执行遗忘补充策略；否则，就执行梦境分享策略。设u = 0.9。

五、边界处理方法

对于不同维数的优化问题，我们采用了两种不同的边界条件处理方法。

第一种方法适用于Dim≤15的问题。由于这些问题的维数较小，局部最优值相对较少，因此采用传统的随机方法更新超出搜索边界的点，如下图所示：

第二种方法是针对Dim＞15的问题。这些问题的维度更大，更复杂，有更多的局部最优，需要增强全局优化能力和逃避局部最优的能力。因此，对于这类高维问题中超过边界条件的agent点，我们采用类似于开发阶段梦境共享策略的方法进行重新更新，如下所示：

式中xt+1(i,j)表示第i个个体在迭代t+1时在第j维的位置；m是一个在[1,N]范围内的随机自然数，每次更新时m与i不同。

算法伪代码

为了使大家更好地理解，这边给出作者算法的伪代码，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CEC2017, CEC2019, CEC2022测试函数上进行定量分析，并应用在在8个工程约束优化问题和光伏电池模型参数优化中，将DOA与27种算法进行比较。结果表明，DOA算法在收敛性、先进性、稳定性、适应性、鲁棒性、显著性和可靠性等方面优于所有竞争对手。

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，和经典的正余弦优化算法SCA进行对比！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，这个算法在大部分函数上均优于经典的正余弦优化算法算法，说明该算法性能还是比较不错的！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]Lang Y, Gao Y. Dream Optimization Algorithm (DOA): A novel metaheuristic optimization algorithm inspired by human dreams and its applications to real-world engineering problems[J]. Computer Methods in Applied Mechanics and Engineering, 2025, 436: 117718.

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：

DOA

也可点击下方小卡片，再后台回复个人需求（比如DOA-Transformer）定制以下DOA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、Transformer等等均可~

2.组合预测类：CNN/TCN/BiTCN/DBN/Transformer/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、光伏MPPT控制、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、图像分割、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2025年的梦境优化算法SFOA以及班翠鸟PKO、蜣螂DBO等任意优化算法均可，保证测试函数效果，一般可直接核心！