海市蜃楼算法（Fata Morgana Algorithm ，FATA）是2024年提出一种新型的群体智能优化算法，它的设计灵感来源于自然现象中的海市蜃楼形成过程。FATA算法通过模仿光线在不均匀介质中的传播方式，提出了两种核心策略——海市蜃楼光过滤原则（MLF）和光传播策略（LPS）——来优化搜索过程，增强算法的全局搜索能力和局部开发能力。
1.FATA算法的主要特点：
-
基于物理现象的建模：
FATA算法模拟了光线在不同密度介质中的传播和反射过程，将这一自然现象转化为优化策略，以此来指导算法中的种群搜索和个体更新。 -
海市蜃楼光过滤原则（MLF）：
MLF策略是FATA算法中用于种群搜索的策略。它结合了定积分原理来评估种群中个体的质量，并通过计算种群适应度函数的积分值来指导种群的更新，以此来筛选出有助于形成“海市蜃楼”（即优化解）的“光线”个体。
-
光传播策略（LPS）：
LPS策略是FATA算法中用于个体搜索的策略，它包括折射、反射和全内反射三种策略。这些策略共同指导个体在搜索空间中的移动，以探索新的潜在解，并增强算法的局部搜索能力。
-
平衡全局搜索与局部搜索：
FATA算法通过MLF和LPS策略的有机结合，平衡了全局搜索和局部搜索的能力。这种平衡有助于算法在保持广泛探索的同时，也能深入开发有前景的搜索区域。 -
自适应搜索：
算法中的MLF和LPS策略可以根据搜索过程中的实时信息自适应地调整搜索方向和步长，这有助于算法在复杂的搜索空间中灵活应对，并有效避免陷入局部最优解。 -
适用于复杂优化问题：
FATA算法不仅适用于连续优化问题，还能够处理多模态、高维和不可微分的复杂优化问题。这使得FATA算法在工程优化、机器学习和其他领域中具有广泛的应用潜力。
2.算法步骤
FATA算法的步骤可以概括为：
- 初始化：设置算法参数，包括种群大小、维度、最大迭代次数等，并随机初始化种群。
- 适应度评估：计算种群中每个个体的适应度。
- MLF策略：根据确定积分原理，评估种群的整体质量，并选择形成海市蜃楼的个体。
- LPS策略：
- 光折射策略：模拟光在不同密度介质中的折射过程，更新个体位置。
- 光的全内反射策略：模拟光在介质中的全内反射过程，使种群向相反方向探索。
- 更新种群：根据MLF和LPS策略的结果，更新种群中的个体。
- 迭代：重复步骤2-5，直到达到最大迭代次数或满足其他停止条件。
- 输出最优解：返回找到的最优解或最优解集合。
参考文献：
[1]Ailiang Qi, Dong Zhao, Ali Asghar Heidari, Lei Liu, Yi Chen, Huiling Chen， FATA: An Efficient Optimization Method Based on Geophysics， Neurocomputing - 2024, DOI: https://doi.org/10.1016/j.neucom.2024.128289.
标签：种群,FATA,策略,LPS,Fata,算法,搜索 From： https://blog.csdn.net/weixin_46204734/article/details/143724501