Java 实现LCRIME 雾凇变体算法

Java实现LCRIME雾凇算法变体

原创已于 2025-09-25 22:53:40 修改 · 442 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#算法

于 2025-09-25 22:47:41 首次发布

Java算法同时被 2 个专栏收录

2 篇文章

订阅专栏

算法

2 篇文章

订阅专栏

一、LCRIME 算法（基于局部最优避免策略的雾凇算法变体）

一、LCRIME 算法（基于局部最优避免策略的雾凇算法变体）

雾凇算法（RIME）作为一种新型群智能算法，通过 “软淞搜索 + 硬淞穿刺” 模拟自然雾凇凝结过程。

通过两大核心改进优化RIME雾凇算法：

局部最优避免策略：引导搜索方向跳出局部最优，加速全局最优收敛；
自适应多参考动态交叉策略：维持种群多样性，提升复杂场景下的阈值搜索精度

二、LCRIME 算法核心原理

2.1雾凇算法基础流程：

雾凇算法模拟自然界雾凇形成过程，分为两个阶段：

软淞搜索：初始阶段快速覆盖搜索空间，通过游离粒子移动捕获潜在最优解；
硬淞穿刺：粒子间信息交换，提升收敛性，但易导致种群多样性下降。

2.2两大核心改进：

（1）局部最优避免策略

针对雾凇算法易陷入局部最优的问题，LCRIME 通过以下逻辑调整搜索方向：

计算局部搜索范围系数L（随迭代次数从\(L_{max}\)线性降至\(L_{min}\)）；
随机选取两个存档个体，利用其差异调整当前个体的搜索方向，避免围绕局部最优 “打转”。

（2）自适应多参考动态交叉策略

为维持种群多样性，动态交叉策略通过以下设计实现：

基于父代适应度计算交叉权重（适应度高的父代贡献更多信息）；
引入全局最优解作为参考，动态调整交叉方向；
加入随迭代衰减的扰动项，避免过早收敛。

三、代码

3.1 LCRIME类结构

import common.KapurEntropy;
import common.Utils;
import org.jfree.chart.*;
import org.jfree.chart.axis.NumberAxis;
import org.jfree.chart.plot.XYPlot;
import org.jfree.chart.renderer.xy.XYSplineRenderer;
import org.jfree.data.xy.XYSeries;
import org.jfree.data.xy.XYSeriesCollection;

import java.io.File;
import java.util.ArrayList;
import java.util.List;

class LCRIME {
    // 算法核心参数
    private int popSize;    // 种群规模
    private int dim;        // 维度（对应分割阈值数量）
    private double[] lb, ub;// 阈值上下界（通常为0-255）
    private int maxFEs;     // 最大评估次数（控制迭代终止）
    private double Lmax = 1.0, Lmin = 0.0; // 局部搜索范围
    
    // 新增：记录收敛数据（评估次数-最优Kapur熵）
    private List<Integer> feList = new ArrayList<>();
    private List<Double> bestFitnessList = new ArrayList<>();
    
    // 简化存档（复用种群，降低内存开销）
    private double[][] archive;

    // 构造函数：初始化参数
    public LCRIME(int popSize, int dim, double[] lb, double[] ub, int maxFEs) {
        this.popSize = popSize;
        this.dim = dim;
        this.lb = lb;
        this.ub = ub;
        this.maxFEs = maxFEs;
    }
}

3.2 核心改进

// 局部最优避免策略：引导算法跳出局部最优
private double[] avoidLocalOpt(double[] ri, double[] best, int t, int T) {
    // L：随迭代线性减小，控制局部搜索范围
    double L = Lmax - t * (Lmax - Lmin) / T;
    // 随机选取两个存档个体
    int a = (int) (Utils.random() * popSize);
    int b = (int) (Utils.random() * popSize);
    double[] ra = archive[a];
    double[] rb = archive[b];
    
    // 调整搜索方向：基于最优解和随机个体差异
    double[] rNew = ri.clone();
    for (int j = 0; j < dim; j++) {
        rNew[j] = best[j] + L * (ra[j] - rb[j]);
    }
    return bound(rNew); // 边界处理，避免阈值超出0-255
}

// 自适应多参考动态交叉：维持种群多样性
private double[] dynamicCrossover(double[] p1, double[] p2, double[] best, int t, int T, double[][] hist) {
    // 自适应权重：适应度高的父代贡献更多（加1e-10避免除零）
    double w1 = fitness(p2, hist) / (fitness(p1, hist) + fitness(p2, hist) + 1e-10);
    double w2 = 1 - w1;
    
    // 参考解引导系数：随迭代增大，增强向最优解靠拢的趋势
    double alpha = 0.5 * (double) t / T;
    
    // 动态交叉生成子代
    double[] child = new double[dim];
    for (int j = 0; j < dim; j++) {
        if (j % 2 == 0) { // 奇数区间：参考p1与最优解差异
            child[j] = w1 * p1[j] + w2 * p2[j] + alpha * (best[j] - p1[j]);
        } else { // 偶数区间：参考p2与最优解差异
            child[j] = w1 * p1[j] + w2 * p2[j] + alpha * (best[j] - p2[j]);
        }
        // 动态扰动：随迭代衰减，避免过早收敛
        double gamma = 0.1 * (1 - (double) t / T);
        child[j] += gamma * (Utils.random() * 2 - 1) * (ub[j] - lb[j]);
    }
    return bound(child);
}