1 简介
为了有效地利用雾状冰生长的物理现象，最近开发了一种优化算法——雾状优化算法（RIME）。它模拟硬雾状和软雾状过程，构建硬雾状穿刺和软雾状搜索机制。在本研究中，引入了一种增强版本，称为修改的RIME（MRIME），集成了多项式微分学习算子（PDLO）。与传统的RIME方法相比，PDLO的加入给RIME算法引入了非线性，提高了其适应性、收敛速度和全局搜索能力。
1 MRIME算法RIME算法从自然过程，特别是软冰晶和硬冰晶的生长中汲取灵感，设计了其优化策略。冰晶粒子的位置代表搜索空间中的解向量。它通过两个阶段模拟相关的环境条件：软冰晶搜索（SRS）和硬冰晶穿刺（HRP）。它需要几个关键步骤来执行优化，如下所示。
2.1 冰晶初始化阶段
种群由 个冰晶代理初始化，每个代理表示为 维的冰晶粒子。在初始化过程中采用随机搜索来确定搜索空间中冰晶粒子的位置。因此，冰晶代理种群，表示为 ，由单个冰晶粒子的位置表示为 ，如公式(10)所示。
其中 是种群矩阵，由冰晶代理的向量组成（ ），每个冰晶代理向量由几个设计参数（ ）组成。
这些位置受到限制，具有上限（ ）和下限（ ）边界，定义了每个维度的允许范围。采用许多基于种群的算法中观察到的传统方法，冰晶种群在初始阶段通过随机搜索过程进行初始化。初始化期间位置 的结果表达式如下：
其中 是范围[0, 1]内随机选择的数字。
2.2 SRS阶段
算法模拟冰晶粒子在物体表面冻结的过程，模拟软冰晶的生长过程。冰晶代理在风和自身随机性的驱动下在搜索空间中移动，确保在早期迭代中广泛覆盖。冰晶代理的位置更新由以下公式确定，该公式包括最佳冰晶代理的位置、环境因素和随机性：
其中粘附度（ ）表征最佳冰晶代理与随机选择的冰晶代理之间的接近程度， 限制在范围[0, 1]内。修改后的第 个冰晶代理在SRS阶段后的维度 的位置，表示为 ，基于最佳冰晶代理的位置 确定。方向控制由 和 的插值控制，其中 是范围[-1, 2]内的随机数。此外， 是范围[0, 1]内的随机数， 在公式(13)中定义。
在这种情况下，符号“ ”表示迭代计数索引，而“ ”表示总迭代次数。
环境因子，表示为“ ”，模拟外部条件并确保冰晶种群的收敛，如公式(14)所示。
函数“round”用于四舍五入数值，参数“ ”用于调节步进函数的分割，默认值为5，如文献[29]所述。此外，变量“ ”是范围[0, 1]内的随机数，“ ”表示粘附系数，影响冰晶代理的凝聚概率。粘附系数随着整个搜索过程的迭代次数逐渐增加，如下所示：
在强风条件下，算法模拟硬冰晶粒子的更简单和更规则的生长。HRP机制促进了代理之间的信息交换，以提高收敛性和跳出局部最优的能力，如下所示：
其中 表示第 个冰晶代理在维度 中的新创建位置，而“ ”是范围[0, 1]内的随机数。如所示，冰晶代理的位置根据适应度值和归一化适应度值（ ）进行更新，促进了代理之间的交叉。
其中 是关于冰晶代理 的当前位置的适应度函数值。
2.4 提出的PLDO整合
在本文中，PLDO被整合以增强RIME算法的搜索能力和多样性。PLDO通常用于优化中的差分进化（DE）算法[44]。该算子通过合并两个随机选择的个体的信息来增强种群多样性，以更新当前冰晶代理的位置。PLDO是DE的扩展，通过适应突变策略来放大搜索空间内的探索和开发。PLDO中的突变公式结合了多项式函数，将非线性特性注入突变操作中。为了执行整合的PLDO，从种群中抽取两个随机整数（ 和 ）。随后，新派生的冰晶代理 的位置可以公式化为：
其中 是范围[0, 1]内生成的随机数。因此，更新涉及两个随机选择的元素（ 和 ）之间的加权差异，而权重 控制这种差异对更新的贡献。
2.5 正向贪婪选择（PGS）阶段
在生成HRP-SRS阶段（公式(12)和(16)）或PLDO（公式(18)）中的冰晶粒子的新位置后，PGS机制用于比较更新前后的适应度值。如果更新后的适应度更好，则用次优解替换最优解，从而增强全局解的质量。该机制在更新过程中积极替换代理，以确保更优的种群进化。
2.6 迭代过程
图3a,b展示了标准RIME与所提出的MMIME优化器的主要步骤，其中整个过程在预定的迭代次数（ ）内交替执行。在每次迭代中，所提出的MMIME利用SRS和HRP阶段或PLDO机制更新冰晶代理的位置，评估适应度值，并执行PGS。在所提出的MMIME中，引入PLDO，包含多项式函数，使每个突变向量组件的影响得到精细控制，为探索过程提供灵活性。通过排列引入的随机性增加了搜索空间探索的有效性。种群中的最佳冰晶代理由最佳适应度值确定，并作为优化问题的解决方案输出。
function [Best_rime_rate,Best_rime,Convergence_curve]=MRIME(N,Max_iter,lb,ub,dim)
% disp('RIME is now tackling your problem')
% initialize position
Best_rime=zeros(1,dim);
Best_rime_rate=inf;%change this to -inf for maximization problems
Rimepop=initialization(N,dim,ub,lb);%Initialize the set of random solutions
Lb=lb.*ones(1,dim);% lower boundary
Ub=ub.*ones(1,dim);% upper boundary
it=1;%Number of iterations
Convergence_curve=zeros(1,Max_iter);
Rime_rates=zeros(1,N);%Initialize the fitness value
newRime_rates=zeros(1,N);
W = 5;%Soft-rime parameters, discussed in subsection 4.3.1 of the paper
%Calculate the fitness value of the initial position
fori=1:N
% Rime_rates(1,i)=fobj(Rimepop(i,:));%Calculate the fitness value for each search agent
x=Rimepop(i,:);
[Im,Vm]=IVload;
Iph=x(1);
I0=x(2);
Rs=x(3);
Rsh=x(4);
n=x(5);
I02=x(6);
n2=x(7);
k = 1.380649e-23;
T = 306.15;
q = 1.602176634e-19;
Vth= k*T/q;
Ns=1;
a=n*Vth*Ns;
a2=n2*Vth*Ns;
I = -Vm./(Rs + Rsh) - lambertw(Rs.*I0.*Rsh.*exp(Rsh.*(Rs.*Iph + Rs.*I0 + Vm)./(a.*(Rs + Rsh)))./(a.*(Rs + Rsh))).*a./Rs...
- lambertw(Rs.*I02.*Rsh.*exp(Rsh.*(Rs.*Iph + Rs.*I02 + Vm)./(a2.*(Rs + Rsh)))./(a2.*(Rs + Rsh))).*a2./Rs + (Rsh.*(I0 + Iph + I02))./(Rs + Rsh);
fit_I=sqrt(sum((Im-I).^2)/length(Im));
Rime_rates(1,i)=fit_I;
%Make greedy selections
if Rime_rates(1,i)<Best_rime_rate
Best_rime_rate=Rime_rates(1,i);
Best_rime=Rimepop(i,:);
end
end
% Main loop
while it <= Max_iter
% it
RimeFactor = (rand-0.5)*2*cos((pi*it/(Max_iter*10)))*(1-round(it*W/Max_iter)/W);%Parameters of Eq.(3),(4),(5)
E =sqrt(it/Max_iter);%Eq.(6)
newRimepop = Rimepop;%Recording new populations
normalized_rime_rates=normr(Rime_rates);%Parameters of Eq.(7)
ifrand>0.5
fori=1:N
forj=1:dim
%Soft-rime search strategy
r1=rand();
if r1< E
newRimepop(i,j)=Best_rime(1,j)+RimeFactor*((Ub(j)-Lb(j))*rand+Lb(j));%Eq.(3)
end
end
end
else
fori=1:N
newRimepop(i,:)=newRimepop(i,:)+rand*(newRimepop(randperm(N,1),:)-newRimepop(randperm(N,1),:));
end
end
fori=1:N
forj=1:dim
%Hard-rime puncture mechanism
r2=rand();
if r2<normalized_rime_rates(i)
newRimepop(i,j)=Best_rime(1,j);%Eq.(7)
end
end
end
fori=1:N
%Boundary absorption
Flag4ub=newRimepop(i,:)>ub;
Flag4lb=newRimepop(i,:)<lb;
newRimepop(i,:)=(newRimepop(i,:).*(~(Flag4ub+Flag4lb)))+ub.*Flag4ub+lb.*Flag4lb;
x=newRimepop(i,:);
[Im,Vm]=IVload;
Iph=x(1);
I0=x(2);
Rs=x(3);
Rsh=x(4);
n=x(5);
I02=x(6);
n2=x(7);
k = 1.380649e-23;
T = 306.15;
q = 1.602176634e-19;
Vth= k*T/q;
Ns=1;
a=n*Vth*Ns;
a2=n2*Vth*Ns;
I = -Vm./(Rs + Rsh) - lambertw(Rs.*I0.*Rsh.*exp(Rsh.*(Rs.*Iph + Rs.*I0 + Vm)./(a.*(Rs + Rsh)))./(a.*(Rs + Rsh))).*a./Rs...
- lambertw(Rs.*I02.*Rsh.*exp(Rsh.*(Rs.*Iph + Rs.*I02 + Vm)./(a2.*(Rs + Rsh)))./(a2.*(Rs + Rsh))).*a2./Rs + (Rsh.*(I0 + Iph + I02))./(Rs + Rsh);
fit_I=sqrt(sum((Im-I).^2)/length(Im));
newRime_rates(1,i)=fit_I;
%Positive greedy selection mechanism
if newRime_rates(1,i)<Rime_rates(1,i)
Rime_rates(1,i) = newRime_rates(1,i);
Rimepop(i,:) = newRimepop(i,:);
if newRime_rates(1,i)< Best_rime_rate
Best_rime_rate=Rime_rates(1,i);
Best_rime=Rimepop(i,:);
end
end
end
Convergence_curve(it)=Best_rime_rate;
it=it+1;
end
Ref: Hakmi S.H., Alnami H., Moustafa G., et al. Modified Rime-Ice Growth Optimizer with Polynomial Differential Learning Operator for Single-and Double-Diode PV Parameter Estimation Problem. Electronics. 2024, 13(9): 1611.
完整资源免费获取
群智能算法小狂人
完整资源获取方式(200多种算法)
https://github.com/suthels/-/blob/main/README.md
---RECOMMEND---
·独家推荐~欢迎选购·
▌合作洽谈：群智能算法小狂人(ID:Suthel)
©算法改进与开发定制|数学建模|AVL cruise建模与仿真
