综述：蝠鲼觅食优化算法全面综述：理论、变体、混合与应用

本文系统梳理了受蝠鲼捕食行为启发的群体智能算法MRFO（Manta Ray Foraging Optimization），涵盖其链式觅食、翻滚觅食和旋风觅食三大核心机制，对比分析了与DE、GWO等经典算法的性能差异，并展望了在特征选择、光伏系统等跨领域应用的未来方向。

　　

算法起源与核心机制

受海洋生物蝠鲼独特捕食策略启发，Zhao等学者于2020年提出MRFO算法，其创新性体现在模拟三种觅食行为：链式觅食（Chain Foraging）实现个体间信息共享，旋风觅食（Cyclone Foraging）增强局部搜索能力，而翻滚觅食（Somersault Foraging）则通过随机跃迁避免陷入局部最优。这种生物启发的设计使其在收敛速度与求解精度间取得平衡，迅速成为群体智能领域的研究热点。

算法改进与跨领域应用

研究者通过引入动态惯性权重、量子计算等策略开发出多种改进版本。在医疗健康领域，MRFO成功应用于医学图像特征选择，其优化能力显著提升肿瘤识别准确率；在能源领域，通过优化光伏阵列参数，系统发电效率提升达12.7%。与GWO、SCA等算法对比实验显示，MRFO在30维测试函数中平均收敛速度快1.8倍，特别适合高维非线性优化问题。

未来发展方向

当前研究集中在三大方向：开发多目标MRFO（MO-MRFO）解决帕累托前沿搜索问题，结合深度学习构建混合模型（如MRFO-LSTM），以及拓展在基因表达数据分析等生物医学场景的应用。值得注意的是，算法在解决蛋白质结构预测等复杂生物分子建模问题时，仍需突破早熟收敛的技术瓶颈。