✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、海市蜃楼搜索优化算法 

海市蜃楼搜索优化（Mirage Search Optimization, MSO）算法是2025年提出的一种基于海市蜃楼物理现象的元启发式优化算法，于2025年2月在线发表在JCR一区、中科院2区SCI期刊《Advances in Engineering Software》上。海市蜃楼是一种常见的物理现象，其形成与气象和地理因素密切相关。太阳使地面温度上升，形成温度梯度，进而导致大气密度产生显著差异，造成大气中折射率的分层。光在大气中被折射，但大脑认为光是沿直线传播的，因此人们看到了物体的虚拟图像。MSO算法正是基于这一物理现象，通过模拟海市蜃楼的形成原理，设计了上蜃景策略和下蜃景策略，分别用于全局探索和局部开发，以实现对复杂优化问题的有效求解。  算法原理 海市蜃楼是一种光学现象，其形成与气象和地理因素密切相关。太阳使地面温度上升，形成温度梯度，进而导致大气密度差异和折射率分层。光在大气中传播时发生折射，而人脑认为光沿直线传播，从而形成虚拟图像。MSO 算法正是基于这一物理现象，通过模拟光的折射和虚拟图像的形成，设计了两种更新策略来优化种群的位置。

MSO 算法的灵感溯源与独特机制

MSO 算法的灵感来源于自然界中神秘而迷人的海市蜃楼现象。在广袤的沙漠或海洋上，海市蜃楼看似虚幻却又真切地出现在人们的视野中，它是光线在不同密度介质中折射与全反射的结果，呈现出远处物体的虚像，让观察者仿佛看到了遥不可及的奇妙景象。MSO 算法巧妙地借鉴了这一现象背后的原理，将搜索空间类比为一片充满不确定性的 “自然环境”，把算法中的搜索代理看作是在这片环境中探索的 “观察者”。

其核心机制包含几个关键部分：

1. 虚幻映射机制：就如同海市蜃楼将真实物体映射到看似不存在的位置，MSO 算法会根据当前搜索状态，以一种独特的映射方式生成 “虚幻解”。这些虚幻解并非毫无根据，而是基于对搜索空间的理解和已有解的信息，通过特定的数学变换生成。例如，利用当前最优解与其他解之间的相对位置关系，结合随机扰动因素，计算出虚幻解的位置。这一机制使得算法能够跳出传统搜索路径，探索那些可能被忽略的潜在区域。

1. 动态折射搜索策略：自然界中光线的折射受环境温度、湿度等因素影响而动态变化。MSO 算法中的搜索策略同样具有动态性，根据搜索过程中的反馈信息实时调整。当算法在搜索空间中发现某个区域具有较高的潜力时，会像光线聚焦一样，加大对该区域的搜索力度，缩小搜索步长，进行精细化探索；而当在某个区域长时间未取得明显进展时，则会像光线改变折射方向一样，调整搜索方向，扩大搜索范围，重新寻找可能的最优解。

1. 幻影更新规则：MSO 算法中的搜索代理在每次迭代过程中，会根据虚幻解和自身当前位置，依据特定的更新规则进行位置更新。这一规则融合了贪婪策略和随机探索策略。一方面，代理有一定概率直接向虚幻解靠近，试图快速获取更优解；另一方面，为了避免陷入局部最优，代理也会以一定概率进行随机移动，探索新的未知区域。这种平衡的更新规则，使得算法在全局搜索和局部开发之间找到了良好的平衡点。

1 单模态的基准测试函数

2 多模态的基准测试函数

3 复合基准测试函数

⛳️ 运行结果

📣 部分代码

%_________________________________________________________________________

%  Marine Predators Algorithm source code (Developed in MATLAB R2015a)

%

% This function containts full information and implementations of the benchmark 

% functions in Table 1, Table 2, and Table 3 in the paper

% lb is the lower bound: lb=[lb_1,lb_2,...,lb_d]

% up is the uppper bound: ub=[ub_1,ub_2,...,ub_d]

% dim is the number of variables (dimension of the problem)

function [lb,ub,dim,fobj] = Get_Functions_details(F)

switch F

    case 'F1'

        fobj = @F1;

        lb=-100;

        ub=100;

        dim=50;

    case 'F2'

        fobj = @F2;

        lb=-10;

        ub=10;

        dim=50;

    case 'F3'

        fobj = @F3;

        lb=-100;

        ub=100;

        dim=50;

    case 'F4'

        fobj = @F4;

        lb=-100;

        ub=100;

        dim=50;

    case 'F5'

        fobj = @F5;

        lb=-30;

        ub=30;

        dim=50;

    case 'F6'

        fobj = @F6;

        lb=-100;

        ub=100;

        dim=50;

    case 'F7'

        fobj = @F7;

        lb=-1.28;

        ub=1.28;

        dim=50;

    case 'F8'

        fobj = @F8;

        lb=-500;

        ub=500;

        dim=50;

    case 'F9'

        fobj = @F9;

        lb=-5.12;

        ub=5.12;

        dim=50;

    case 'F10'

        fobj = @F10;

        lb=-32;

        ub=32;

        dim=50;

    case 'F11'

        fobj = @F11;

        lb=-600;

        ub=600;

        dim=50;

    case 'F12'

        fobj = @F12;

        lb=-50;

        ub=50;

        dim=50;

    case 'F13'

        fobj = @F13;

        lb=-50;

        ub=50;

        dim=50;

    case 'F14'

        fobj = @F14;

        lb=-65.536;

        ub=65.536;

        dim=2;

    case 'F15'

        fobj = @F15;

        lb=-5;

        ub=5;

        dim=4;

    case 'F16'

        fobj = @F16;

        lb=-5;

        ub=5;

        dim=2;

    case 'F17'

        fobj = @F17;

        lb=[-5,0];

        ub=[10,15];

        dim=2;

    case 'F18'

        fobj = @F18;

        lb=-2;

        ub=2;

        dim=2;

    case 'F19'

        fobj = @F19;

        lb=0;

        ub=1;

        dim=3;

    case 'F20'

        fobj = @F20;

        lb=0;

        ub=1;

        dim=6;     

    case 'F21'

        fobj = @F21;

        lb=0;

        ub=10;

        dim=4;    

    case 'F22'

        fobj = @F22;

        lb=0;

        ub=10;

        dim=4;    

    case 'F23'

        fobj = @F23;

        lb=0;

        ub=10;

        dim=4;   

 end

end

% F1

function o = F1(x)

o=sum(x.^2);

end

% F2

function o = F2(x)

o=sum(abs(x))+prod(abs(x));

end

% F3

function o = F3(x)

dim=size(x,2);

o=0;

for i=1:dim

    o=o+sum(x(1:i))^2;

end

end

% F4

function o = F4(x)

o=max(abs(x));

end

% F5

function o = F5(x)

dim=size(x,2);

o=sum(100*(x(2:dim)-(x(1:dim-1).^2)).^2+(x(1:dim-1)-1).^2);

end

% F6

function o = F6(x)

o=sum(abs((x+.5)).^2);

end

% F7

function o = F7(x)

dim=size(x,2);

o=sum([1:dim].*(x.^4))+rand;

end

% F8

function o = F8(x)

o=sum(-x.*sin(sqrt(abs(x))));

end

% F9

function o = F9(x)

dim=size(x,2);

o=sum(x.^2-10*cos(2*pi.*x))+10*dim;

end

% F10

function o = F10(x)

dim=size(x,2);

o=-20*exp(-.2*sqrt(sum(x.^2)/dim))-exp(sum(cos(2*pi.*x))/dim)+20+exp(1);

end

% F11

function o = F11(x)

dim=size(x,2);

o=sum(x.^2)/4000-prod(cos(x./sqrt([1:dim])))+1;

end

% F12

function o = F12(x)

dim=size(x,2);

o=(pi/dim)*(10*((sin(pi*(1+(x(1)+1)/4)))^2)+sum((((x(1:dim-1)+1)./4).^2).*...

(1+10.*((sin(pi.*(1+(x(2:dim)+1)./4)))).^2))+((x(dim)+1)/4)^2)+sum(Ufun(x,10,100,4));

end

% F13

function o = F13(x)

dim=size(x,2);

o=.1*((sin(3*pi*x(1)))^2+sum((x(1:dim-1)-1).^2.*(1+(sin(3.*pi.*x(2:dim))).^2))+...

((x(dim)-1)^2)*(1+(sin(2*pi*x(dim)))^2))+sum(Ufun(x,5,100,4));

end

% F14

function o = F14(x)

aS=[-32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32 -32 -16 0 16 32;,...

-32 -32 -32 -32 -32 -16 -16 -16 -16 -16 0 0 0 0 0 16 16 16 16 16 32 32 32 32 32];

for j=1:25

    bS(j)=sum((x'-aS(:,j)).^6);

end

o=(1/500+sum(1./([1:25]+bS))).^(-1);

end

% F15

function o = F15(x)

aK=[.1957 .1947 .1735 .16 .0844 .0627 .0456 .0342 .0323 .0235 .0246];

bK=[.25 .5 1 2 4 6 8 10 12 14 16];bK=1./bK;

o=sum((aK-((x(1).*(bK.^2+x(2).*bK))./(bK.^2+x(3).*bK+x(4)))).^2);

end

% F16

function o = F16(x)

o=4*(x(1)^2)-2.1*(x(1)^4)+(x(1)^6)/3+x(1)*x(2)-4*(x(2)^2)+4*(x(2)^4);

end

% F17

function o = F17(x)

o=(x(2)-(x(1)^2)*5.1/(4*(pi^2))+5/pi*x(1)-6)^2+10*(1-1/(8*pi))*cos(x(1))+10;

end

% F18

function o = F18(x)

o=(1+(x(1)+x(2)+1)^2*(19-14*x(1)+3*(x(1)^2)-14*x(2)+6*x(1)*x(2)+3*x(2)^2))*...

    (30+(2*x(1)-3*x(2))^2*(18-32*x(1)+12*(x(1)^2)+48*x(2)-36*x(1)*x(2)+27*(x(2)^2)));

end

% F19

function o = F19(x)

aH=[3 10 30;.1 10 35;3 10 30;.1 10 35];cH=[1 1.2 3 3.2];

pH=[.3689 .117 .2673;.4699 .4387 .747;.1091 .8732 .5547;.03815 .5743 .8828];

o=0;

for i=1:4

    o=o-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2))));

end

end

% F20

function o = F20(x)

aH=[10 3 17 3.5 1.7 8;.05 10 17 .1 8 14;3 3.5 1.7 10 17 8;17 8 .05 10 .1 14];

cH=[1 1.2 3 3.2];

pH=[.1312 .1696 .5569 .0124 .8283 .5886;.2329 .4135 .8307 .3736 .1004 .9991;...

.2348 .1415 .3522 .2883 .3047 .6650;.4047 .8828 .8732 .5743 .1091 .0381];

o=0;

for i=1:4

    o=o-cH(i)*exp(-(sum(aH(i,:).*((x-pH(i,:)).^2))));

end

end

% F21

function o = F21(x)

aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];

cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];

o=0;

for i=1:5

    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);

end

end

% F22

function o = F22(x)

aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];

cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];

o=0;

for i=1:7

    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);

end

end

% F23

function o = F23(x)

aSH=[4 4 4 4;1 1 1 1;8 8 8 8;6 6 6 6;3 7 3 7;2 9 2 9;5 5 3 3;8 1 8 1;6 2 6 2;7 3.6 7 3.6];

cSH=[.1 .2 .2 .4 .4 .6 .3 .7 .5 .5];

o=0;

for i=1:10

    o=o-((x-aSH(i,:))*(x-aSH(i,:))'+cSH(i))^(-1);

end

end

function o=Ufun(x,a,k,m)

o=k.*((x-a).^m).*(x>a)+k.*((-x-a).^m).*(x<(-a));

end

🔗 参考文献

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、 多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化

🌟 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌟 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌟 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇

5 往期回顾扫扫下方二维码