目录
傅里叶变换优化器(Fourier Transform Optimizer, FTO) 是一种新型的元启发式算法（智能优化算法）。其灵感来源于信号处理与数值分析领域中的离散傅里叶变换，通过将候选解从时域(解空间)变换到频域进行频率成分的操控，从而引导种群的搜索过程，有效平衡探索与开发并避免陷入局部最优。该算法在收敛精度与稳定性等方面表现出色，适合新手小白学习与改进！该成果由 Mohammed R. Saad 等人于 2026年发表在SCI一区Top期刊《Knowledge-Based Systems》上！
由于发表时间较短，目前谷歌学术还无人引用！你先用，你就是创新！
原理简介
算法流程图和伪代码
为了使大家更好地理解，这边给出作者算法的流程图和伪代码，非常清晰！
如果实在看不懂，不用担心，可以看下源代码，再结合上文公式理解就一目了然了！
性能测评
原文作者在CEC 2017、CEC 2022、4个工程设计问题以及14个医学数据集的特征选择与分类任务中，将FTO与多个优化算法进行了全面对比。实验结果和统计分析表明，FTO在大多数测试任务中的收敛速度、稳定性以及解的质量上均优于其他算法，具有极强的适应性和竞争力。
这边为了方便大家对比与理解，采用23个标准测试函数，即CEC2005，设置种群数量为30，迭代次数为500，和22年的高被引算法北方苍鹰优化算法NGO进行对比！这边展示其中5个测试函数的图，其余十几个测试函数大家可以自行切换尝试！
可以看到，这个算法性能不错，在很多函数上都超过了高被引算法北方苍鹰算法，大家应用到各类预测、优化问题中也是一个不错的选择~
参考文献
1\]Saad M R, Emam M M, Hosney M E, et al. Fourier Transform Optimizer: A novel physics-inspired metaheuristic algorithm for optimization problems\[J\]. Knowledge-Based Systems, 2026: 115651. ### **完整代码** **如果需要免费获得图中的完整测试代码，只需点击下方小卡片，再后台回复关键字，不区分大小写：** **FTO** **也可点击下方小卡片，再后台回复个人需求（比如原创改进FTO算法）定制以下FTO算法优化模型（看到秒回）：** **1.机器学习/深度学习类：**BP、SVM、RVM、DBN、LSSVM、ELM、KELM、HKELM、DELM、RELM、DHKELM、RF、SAE、LSTM、BiLSTM、GRU、BiGRU、PNN、CNN、XGBoost、LightGBM、TCN、BiTCN、ESN、Transformer等等均可\~ **2.组合预测类：**CNN/TCN/BiTCN/DBN/Transformer/Adaboost结合SVM、RVM、ELM、LSTM、BiLSTM、GRU、BiGRU、Attention机制类等均可（可任意搭配非常新颖）\~ **3.分解类：**EMD、EEMD、VMD、REMD、FEEMD、TVFEMD、CEEMDAN、ICEEMDAN、SVMD、FMD、JMD等分解模型均可\~ **4.路径规划类：**机器人路径规划、多机器人动态路径规划、无人机三维路径规划、无人机集群路径规划、无人机动态避障路径规划、无人机任务分配、冷链物流路径优化、TSP问题、物流中心选址、VRPTW路径优化等等\~ **5.小众优化类：**配电网故障定位、边缘计算任务卸载、特征选择、投资组合优化、DV-Hop定位、光伏电池参数辨识优化、光伏MPPT控制、储能容量配置优化、微电网优化、PID参数整定优化、无线传感器覆盖优化、图像分割、故障诊断、车间调度、车间布局优化等等均可\~ **6.原创改进优化算法（适合需要创新点的同学）：**原创改进2026年的傅里叶变换优化算法FTO以及三国优化算法TKOA、白鲸优化算法BWO等任意优化算法均可，保证测试函数效果，一般可直接核心！ **更多免费代码链接（也可直接点击阅读原文）：** **++https://docs.qq.com/sheet/DT1hWRkpoVVJ3TGZv?tab=BB08J2++**