وارون‌سازی داده‌های مغناطیسی برای مشخصه‌یابی ساختارهای زمین‌شناسی مانند دایک‌ها، به دلیل ماهیت شدیداً غیرخطی و بدوضع (ill-posed)، یکی از چالش‌های اساسی در ژئوفیزیک مهندسی است که نیازمند روش‌های بهینه‌سازی قدرتمند است. این پژوهش برای نخستین بار، کارایی و پتانسیل الگوریتم بهینه‌سازی نوین غزال کوهستان (Mountain Gazelle Optimizer (MGO)) را به عنوان یک راهکار مؤثر برای حل این مسئله معرفی و ارزیابی می‌کند. این الگوریتم با ایجاد تعادل هوشمندانه بین اکتشاف و بهره‌برداری در فضای پارامترها، برای یافتن بهینه سراسری طراحی شده است. عملکرد MGO به صورت جامع و از طریق مقایسه با دو رویکرد متفاوت سنجیده شد: یک الگوریتم یادگیری ماشین قدرتمند، یعنی جنگل تصادفی (Random Forest (RF))، و یک روش پردازشی-تخمینی کلاسیک مبتنی بر برگردان به قطب. (Reduction to the Pole (RTP)) ارزیابی‌ها بر روی داده‌های مصنوعی (با سطوح نویز ۰٪ تا ۲۰٪) و همچنین داده‌های میدانی واقعی از کانسار آهن گانسو، چین، انجام گرفت. نتایج در تمامی سناریوها، برتری واضح MGO را به اثبات رساند. این الگوریتم نه تنها در برابر نویز پایداری بیشتری نسبت به RF نشان داد، بلکه در مطالعه موردی داده‌های واقعی، به خطای ریشه میانگین مربعات (RMSE) برابر با 48/ دست یافت که به طور قابل توجهی کمتر از خطای روش کلاسیک (88/) بود. مهم‌تر آنکه، پارامترهای تخمینی توسط MGO انطباق بیشتری با اطلاعات زمین‌شناسی حاصل از حفاری‌های موجود در منطقه داشتند. این مطالعه استدلال می‌کند که برتری MGO از رویکرد وارون‌سازی مستقیم و یکپارچه آن نشأت می‌گیرد. در نهایت، MGO به عنوان ابزاری دقیق و قابل اعتماد برای کاربردهای اکتشافی و مهندسی معرفی می‌گردد.
