matlab实现mfo代码 ，好用的代码，真实有效

飞蛾扑火优化算法（Moth-Flame Optimization，MFO）是澳大利亚学者Seyedali Mirjalili于2015年提出的一种受自然生物启发的智能优化算法。代码里面包含了20几种基准测试函数，用来测试算法的性能。 该算法的主要灵感来自于飞蛾被称为“横定向”的导航方法。飞蛾在夜间飞行时相对于月亮保持一个固定的角度，这是一种非常有效的远距离直线飞行机制，但是在人造光周围，飞蛾却容易陷入致命的螺旋路径。作者就是模拟了飞蛾的这种特点。

飞蛾扑火优化(Moth-flame optimization，MFO)，由Seyedali Mirjalili在2015年提出，为优化领域提供了一种新的启发式搜索范式：螺旋搜索。 飞蛾在夜间有一种特殊的导航方式：横向定向。即它会与月亮(光源)保持一定的角度飞行，从而能够保持直线的飞行路径，但是，这种方式只在光源离飞蛾较远的情况下才有效。当有人造光源存在时，飞蛾会被人工灯光所欺骗，一直保持与人造灯光相同的角度飞行，由于它与光源的距离过近，它飞行的路径已经不是直线，而是一种螺旋的路径。

飞蛾扑火优化算法MFO，附带部分其他优化算法的论文[eg:布谷鸟算法]，可用于神经网络参数的优化等应用场景

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题，借鉴混沌序列、模拟退火算法和遗传算法，提出Tent混沌和模拟退火改进的飞蛾扑火优化算法。首先，通过Tent混沌序列初始化种群，增加种群多样性；然后对当前最优解增加扰动产生新解，并与当前最优解按比例杂交相加，根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解，最终获得最优解。分别使用复杂高维基准函数和航迹规划问题测试算法性能。其中，6个复杂基准函数寻优测试结果表明，对于10维基准函数，该算法经过约0.25秒收敛到最优值；对于50维基准函数，该算法经过约0.5秒收敛到最优值。与标准飞蛾扑火优化算法和其它智能优化算法相比，该算法能够有效跳出局部最优解，寻优精度更高，收敛速度更快。航迹规划仿真表明，对有4个禁飞区和2个威胁源的空域环境，该算法经过大约100次迭代可以得到最优航迹，与标准飞蛾扑火优化算法相比精度更高，具有实际应用价值。因此，该算法具有更好的寻优性能。

分享了飞蛾扑火优化算法的源代码及对应的文章，亲测有效，欲求更多算法可进入空间查看