✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥 内容介绍
在当今的科学与工程领域，优化算法发挥着举足轻重的作用，其旨在从众多可行解中探寻出最优或近似最优的解决方案。随着科技的飞速发展，对优化算法的性能要求也日益提升，研究人员不断推陈出新，提出了一系列高效的元启发式算法。在此背景下，本文着重对 2024 年崭露头角的青蒿素优化（AO）算法与 2023 年诞生的霜冰优化算法 RIME 展开深入研究与对比分析。AO 算法从青蒿素治疗疟疾时全面清除疟原虫的过程中汲取灵感，精心设计了全面消除、局部清除以及后续巩固这三个优化阶段，各阶段协同合作，致力于提升算法在复杂搜索空间中的寻优能力。而 RIME 算法另辟蹊径，巧妙模拟霜冰的形成过程，通过构建软霜搜索策略、硬霜穿刺机制以及改进贪心选择机制，实现了探索与开发行为的精妙平衡，在众多优化问题中展现出强大的竞争力。通过对这两种算法进行全方位的对比，能够更清晰地洞察它们的优势与不足，为相关领域的研究者和从业者在算法选择与应用方面提供极具价值的参考依据，助力其在实际工作中更高效地解决各类优化难题。
二、青蒿素优化（AO）算法
2.1 灵感来源
青蒿素优化算法的灵感源自青蒿素治疗疟疾的过程。疟疾是一种严重威胁人类健康的全球性疾病，青蒿素的发现为疟疾的治疗带来了革命性的突破。在治疗过程中，青蒿素能够全面清除人体内的疟原虫，这一过程包含多个阶段，为优化算法的设计提供了丰富的灵感。
2.2 算法阶段
- 全面消除阶段
：此阶段模拟全局探索，类似于青蒿素在体内广泛搜索并攻击疟原虫的过程。在算法中，搜索代理在整个解空间中随机搜索，尝试找到潜在的最优解区域。这一阶段的目标是尽可能广泛地覆盖解空间，为后续的优化过程奠定基础。通过随机搜索，算法能够快速发现一些具有潜力的区域，为进一步的深入探索提供线索。
- 局部清除阶段
：该阶段用于局部开发，当搜索代理在全面消除阶段发现了一些潜在的有希望的区域后，局部清除阶段开始发挥作用。在这个阶段，算法会在这些潜在的最优解区域内进行更细致的搜索，类似于青蒿素在局部区域对疟原虫进行精准打击。通过对局部区域的深入探索，算法能够进一步优化解的质量，提高找到更优解的可能性。
- 后续巩固阶段
：后续巩固阶段的设计目的是增强算法逃离局部最优解的能力。在疟疾治疗中，存在潜伏疟原虫唤醒导致症状复发的情况，类似地，在优化算法中，也可能陷入局部最优解而无法找到全局最优解。后续巩固阶段通过引入一些随机因素或特定的策略，使搜索代理有机会跳出当前的局部最优解，继续寻找更好的解。这一阶段对于提高算法的全局搜索能力和优化性能具有重要意义。
三、霜冰优化算法 RIME
3.1 灵感来源
霜冰优化算法 RIME 受到霜冰形成过程的启发。霜冰的形成是一个复杂的物理过程，涉及到水汽的凝结、冰晶的生长等多个因素。在不同的环境条件下，霜冰的生长方式和形态会有所不同。RIME 算法通过模拟霜冰形成过程中的一些特性，来实现优化算法中的探索和开发行为。
3.2 算法机制
- 软霜搜索策略
：软霜搜索策略模拟软霜颗粒的运动。在微风环境中，软霜的生长具有随机性，冰晶粒子可以自由覆盖附着物体表面的大部分区域，但在同一方向上生长缓慢。受此启发，RIME 算法中的软霜搜索策略利用冰晶粒子的强随机性和覆盖能力，使算法在早期迭代中能够快速覆盖整个搜索空间，不易陷入局部最优。在软霜搜索策略中，冰晶粒子的位置更新考虑了多种因素，如随机数、环境因子、粘附度等。通过这些因素的综合作用，冰晶粒子能够在解空间中进行有效的随机搜索，探索不同的区域。
- 硬霜穿刺机制
：硬霜穿刺机制模拟硬霜代理之间的交叉行为。在霜冰形成过程中，硬霜的生长速度较快，且生长方向大致相同。通过模拟硬霜代理之间的交叉行为，RIME 算法能够在局部区域内进行更深入的搜索，挖掘潜在的最优解。硬霜穿刺机制通过特定的交叉操作，使得搜索代理能够在局部区域内进行信息交换和优化，提高解的质量。
- 贪婪选择机制
：RIME 算法改进了元启发式算法中的贪心选择机制。在选择最优解阶段，通过更新种群，增强了算法的开发能力。具体来说，算法会根据搜索代理的适应度值，选择适应度较好的搜索代理，并对种群进行更新，使得种群能够朝着更优的方向进化。
3.3 算法流程
- 初始化
：随机生成冰晶群体，冰晶群体由多个冰晶代理组成，每个冰晶代理又由多个冰晶粒子组成。同时，设置算法的相关参数，如最大迭代次数、环境因子、粘附度等。初始化过程为算法的运行提供了初始状态，确定了搜索代理的初始分布和算法的基本参数。
- 软霜搜索阶段
：在软霜搜索阶段，根据软霜搜索策略更新冰晶粒子的位置。每个冰晶粒子根据一定的规则在解空间中移动，其位置更新公式考虑了随机数、环境因子、粘附度等因素。通过不断更新冰晶粒子的位置，使得算法能够在整个解空间中进行广泛的搜索，探索不同的区域。
- 硬霜穿刺阶段
：在硬霜穿刺阶段，根据硬霜穿刺机制对部分冰晶代理进行交叉操作。选择一些适应度较好的冰晶代理，通过交叉操作生成新的冰晶代理，新的冰晶代理可能具有更好的适应度。通过硬霜穿刺机制，算法能够在局部区域内进行更深入的搜索，挖掘潜在的最优解。
- 贪婪选择阶段
：在贪婪选择阶段，根据搜索代理的适应度值对种群进行更新。选择适应度较好的搜索代理保留在种群中，淘汰适应度较差的搜索代理。同时，根据一定的规则对保留的搜索代理进行变异操作，以增加种群的多样性。通过贪婪选择机制，算法能够不断优化种群，使得种群朝着更优的方向进化。
- 评估与更新
：在每一次迭代结束后，对所有冰晶代理的适应度值进行评估。根据适应度值更新冰晶代理的位置和相关信息，为下一次迭代做准备。如果满足收敛条件，如达到最大迭代次数或者适应度值的变化小于某个阈值，则算法停止运行，输出当前最优解。
四、结论
本文对青蒿素优化（AO）算法和霜冰优化算法 RIME 进行了全面的对比分析。通过对两种算法的灵感来源、算法阶段、算法机制和算法流程的详细介绍，深入了解了它们的工作原理。在实验部分，通过选择合适的基准函数集、设置合理的参数和实验环境，对两种算法的性能进行了全面评估。实验结果表明，AO 算法和 RIME 算法在不同类型的函数上各有优势。AO 算法在前期搜索速度较快，在一些单峰函数和实际应用案例（如乳腺癌病理图像分割）中表现出更好的性能。RIME 算法在后期优化能力较强，在多峰函数上能够更准确地找到全局最优解。这些比较结果强调了两种算法在实际优化应用中的功效和潜力，为相关领域的研究人员和工程师在选择优化算法时提供了重要的参考依据。未来的研究可以进一步探索如何将两种算法的优势相结合，开发出性能更优的混合优化算法，以更好地解决复杂的实际问题。
⛳️ 运行结果
🔗 参考文献
[1] 韩利平.利用疟原虫全基因组数据和分子对接方法预测青蒿素的抗疟靶点[D].复旦大学,2009.DOI:10.7666/d.y1970185.
[2] 郭为忠,邹慧君,王石刚.典型霜冰条件下的风力机翼型优化设计[J].机械工程学报, 2014, 50(7):7.DOI:10.3901/JME.2014.07.154.
[3] 谢灿坤 于丽娅 张涛 任文杰 莫代贵.增强型霜冰优化算法的复杂环境下机器人路径规划[J].计算机应用研究, 2025, 42(1):185-195.DOI:10.19734/j.issn.1001-3695.2024.07.0202.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
扫一扫
855
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
