本文介绍了一种名为RIME的优化算法，灵感来源于自然界霜冰生长机制。算法利用软霜的随机性和硬霜的规律性进行搜索，通过软霜搜索策略和硬霜穿刺机制增强算法性能。积极贪婪选择机制也被应用于种群更新，以提高全局解的质量。
1.背景
2023年，H Su等人受到自然界霜冰生长机制启发，提出了霜冰优化算法（Rime Optimization Algorithm, RIME）。
2.算法原理
2.1算法思想
RIME模拟软霜颗粒的运动来进行算法搜索，通过模拟硬霜代理之间的交叉行为来开发算法。
2.2算法过程
软霜搜索策略：
在微风环境中，软霜生长具有强烈的随机性，使得霜粒子能够自由覆盖对象表面，但在同一方向上生长速度缓慢。本研究借鉴软霜的生长特性，提出了一种软霜搜索策略，利用霜粒子的强随机性和覆盖性，使算法能够快速覆盖整个搜索空间，避免陷入局部最优解。
R
i
j
n
e
w
=
R
b
e
s
t
,
j
+
r
1
⋅
cos
θ
⋅
β
⋅
(
h
⋅
(
U
b
i
j
−
L
b
i
j
)
+
L
b
i
j
)
,
r
2
<
E
(1)
R_{ij}^{new}=R_{best,j}+r_{1}\cdot\cos\theta\cdot\beta\cdot\left(h\cdot\left(Ub_{ij}-Lb_{ij}\right)+Lb_{ij}\right),r_{2}<E\tag{1}
Rijnew=Rbest,j+r1⋅cosθ⋅β⋅(h⋅(Ubij−Lbij)+Lbij),r2<E(1)
各参数表述为：
θ
=
π
⋅
t
10
⋅
T
(2)
\theta=\pi\cdot\frac{t}{10\cdot T}\tag{2}
θ=π⋅10⋅Tt(2)
β
=
1
−
[
w
⋅
t
T
]
/
w
(3)
\beta=1-[\frac{w\cdot t}{T}]/w\tag{3}
β=1−[Tw⋅t]/w(3)
其中，𝛽的数学模型是阶梯函数，[·]表示四舍五入；𝑤的默认值为5，用于控制阶梯函数的分段数量。𝐸是附着系数，影响代理的凝结概率，并随着迭代次数的增加而增加:
E
=
(
t
/
T
)
(4)
E=\sqrt{(t/T)}\tag{4}
E=(t/T)(4)
硬霜穿孔机制：
在强烈的狂风条件下，硬霜的生长更加简单和规律，而软霜的生长则更加随机。硬霜代理在同一方向上滚雪球般增长，并且容易发生穿越现象。因此，本文提出了硬霜穿刺机制，以改善算法的收敛性和跳出局部最优的能力。
R
i
j
n
e
w
=
R
b
e
s
t
,
j
,
r
3
<
F
n
o
r
m
r
(
S
i
)
(5)
R_{ij}^{new}=R_{best,j},r_{3}<F^{normr}(S_{i})\tag{5}
Rijnew=Rbest,j,r3<Fnormr(Si)(5)
积极贪婪选择机制：
积极的贪婪选择机制，用于元启发式优化算法中的种群更新。该机制通过比较个体的更新适应度值与更新前的值，以决定是否替换个体，并同时替换这两个个体的解。这一机制不仅能够持续拥有优秀的个体，提高全局解的质量，还能够确保种群在每次迭代中朝更优方向演化。
伪代码：
流程图：
3.结果展示
4.参考文献
[1] Su H, Zhao D, Heidari A A, et al. RIME: A physics-based optimization[J]. Neurocomputing, 2023, 532: 183-214.
152
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
