【2025年智能优化算法】 梦境优化算法（Dream Optimization Algorithm，DOA）求解23个经典函数测试集MATLAB代码

✅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

在元启发式算法不断发展的浪潮中，研究者们从自然现象、生物行为等诸多领域汲取灵感，推动着优化算法的创新。梦境优化算法（Dream Optimization Algorithm，DOA）作为一种新型元启发式算法，独辟蹊径地从人类的梦境行为中获取灵感，通过模拟梦境中的记忆保留、遗忘和逻辑自组织等特征，为求解复杂优化问题提供了全新的思路。

灵感源泉：人类梦境行为的优化启示

人类的梦境是一种复杂而奇妙的心理现象，在睡眠过程中，大脑并非完全静止，而是会对白天的经历进行加工处理 —— 部分记忆被保留，一些无关信息被遗忘，同时大脑会对残留的记忆碎片进行重新组织和关联，形成看似荒诞却蕴含一定逻辑的梦境。这种对信息的筛选、保留、遗忘和重组过程，与优化算法中对解空间的探索、信息的利用和更新有着惊人的相似之处。

DOA 算法正是敏锐地捕捉到了这一点，将人类梦境行为的核心特征转化为算法的关键机制。它不再局限于对生物群体行为或物理现象的模拟，而是深入到人类的心理活动层面，为元启发式算法的设计开辟了新的方向。

核心策略：模拟梦境特征的三大支柱

基础记忆策略：保留关键信息，奠定优化基础

基础记忆策略是 DOA 算法的根基，类似于人类在梦境中对重要经历的保留。在算法中，这一策略体现在对优质解的记忆和存储上。在每一次迭代过程中，算法会对当前种群中的解进行评估，筛选出表现优异的解作为 “基础记忆” 保存下来。这些基础记忆就像梦境中难以忘怀的核心片段，为后续的优化过程提供了重要的参考依据，避免了算法在解空间中盲目搜索，确保了优化过程的方向性和有效性。

例如，在求解函数优化问题时，基础记忆策略会记住那些使目标函数值更优的解的特征和信息，使得算法在后续搜索中能够围绕这些优质解展开，提高找到全局最优解的概率。

遗忘和补充策略：动态更新信息，避免陷入局部最优

人类在梦境中不仅会保留重要记忆，还会遗忘一些次要或无关的信息，同时大脑也会不断补充新的内容。DOA 算法的遗忘和补充策略正是模拟了这一过程。对于那些在迭代过程中表现不佳、逐渐失去优化价值的解，算法会按照一定的规则将其 “遗忘”，即从种群中剔除。同时，算法会生成新的解来补充种群，这些新解可以是在基础记忆的附近进行局部扰动产生，也可以是在解空间的其他区域进行随机探索得到。

这种动态更新机制使得算法能够不断注入新的活力，有效避免了种群的同质化，防止算法陷入局部最优解。就像人类的梦境会不断引入新的元素，打破固有的思维模式一样，遗忘和补充策略让 DOA 算法始终保持着对解空间的探索能力。

梦境共享策略：信息交互融合，提升整体性能

在人类的潜意识中，不同的梦境片段之间可能会相互影响、相互融合，形成更复杂的梦境内容。DOA 算法的梦境共享策略模拟了这一过程，实现了种群中不同解之间的信息交互和融合。具体来说，算法会让不同的 “记忆片段”（即解）之间进行信息交换，将一个解的部分特征与另一个解的特征相结合，生成新的解。

这种策略类似于人类梦境中的联想和重组，能够将多个优质解的优点汇聚在一起，产生更具潜力的新解。通过梦境共享，算法打破了单个解信息的局限性，促进了种群整体信息的流动和优化，从而提升了算法的全局搜索能力和收敛速度。例如，在工程设计优化中，不同设计方案的优势可以通过梦境共享策略相互借鉴，从而产生更优的设计方案。

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

🔗 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.

🎈 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

🌟 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

🌟 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）

🌟 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