【智能算法】霜冰优化算法（RIME）原理及实现

在这里插入图片描述

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。
在这里插入图片描述

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。
$R_{ij}^{new}=R_{best,j}+r_{1}\cdot\cos\theta\cdot\beta\cdot\left(h\cdot\left(Ub_{ij}-Lb_{ij}\right)+Lb_{ij}\right),r_{2}<E\tag{1}$
各参数表述为：
$\theta=\pi\cdot\frac{t}{10\cdot T}\tag{2}$
$\beta=1-[\frac{w\cdot t}{T}]/w\tag{3}$
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:
$E=\sqrt{(t/T)}\tag{4}$
在这里插入图片描述

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。
$R_{ij}^{new}=R_{best,j},r_{3}<F^{normr}(S_{i})\tag{5}$
在这里插入图片描述

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。
在这里插入图片描述
伪代码：

流程图：