当前位置：首页 > news >正文

Java 实现LCRIME 雾凇变体算法

news 2025/9/26 10:40:40

一、LCRIME 算法（基于局部最优避免策略的雾凇算法变体）

二、LCRIME 算法核心原理

2.1雾凇算法基础流程：

2.2两大核心改进：

三、代码

3.1 LCRIME类结构

3.2 核心改进

四、图像分割效果

五、源码获取

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);
}