💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥1 概述
编辑
青蒿素优化算法与霜冰优化算法RIME对比研究
这项研究提出了一种高效的元启发式算法，称为青蒿素优化（AO）算法。该算法受到青蒿素治疗疟疾的过程的启发，该过程涉及全面清除人体内的疟原虫。AO包括三个优化阶段：模拟全局探索的全面消除阶段，用于局部开发的局部清除阶段，以及用于增强算法逃离局部最优解能力的后续巩固阶段。在实验中，本文对AO进行了定性分析实验，解释了其在寻找最优解方面的特点。随后，AO被测试在经典的IEEE CEC 2014以及最新的IEEE CEC 2022基准函数集上，以评估其对各种函数类型的适应性。与八种知名算法和八种高性能改进算法进行了比较分析。收敛曲线和定性指标的统计分析显示了AO的强大竞争力。最后，AO被应用于乳腺癌病理图像分割应用中。使用15幅真实医学图像在六个阈值级别上，将AO的分割性能与八种著名算法进行比较。实验结果表明，在图像分割准确性、特征相似性指数（FSIM）、峰值信噪比（PSNR）和结构相似性指数（SSIM）方面，AO优于对照算法。这些比较结果强调了AO在实际优化应用中的功效和潜力。
引言
随着工程和科学领域复杂优化问题的不断涌现，元启发式算法因其强大的全局搜索能力和适应性成为研究热点。2024年提出的青蒿素优化算法（Artemisinin Optimization Algorithm, AOA）与2023年提出的霜冰优化算法（RIME）作为两种新型元启发式算法，分别从生物医学和自然现象中汲取灵感，在优化性能上展现出独特优势。本文从算法原理、数学模型、性能特点及典型应用场景等维度展开对比分析，为算法选型提供理论依据。
算法原理与核心机制对比
1. 青蒿素优化算法（AOA）
灵感来源：模拟青蒿素治疗疟疾的动态过程，包括药物扩散、浓度衰减和残留病原体清除三个阶段。
核心机制：
- 三阶段优化策略：
- 综合淘汰阶段：模拟高剂量药物扩散，通过全局搜索快速定位潜在最优区域。药物浓度随时间衰减的特性被建模为搜索步长的动态调整，公式为 c=e−4⋅Maxff，其中 f 为当前适应度值，Maxf 为最大适应度值。
- 局部清除阶段：模拟低剂量药物精准清除残留病原体，通过局部搜索细化解质量。
- 后巩固阶段：引入信息交叉机制增强种群多样性，防止算法陷入局部最优。
- 概率系数与自适应调整：通过概率系数模拟患者对药物的不同反应，动态调整搜索策略以适应不同优化阶段的需求。
2. 霜冰优化算法（RIME）
灵感来源：模拟霜冻冰的形成过程，包括软霜的缓慢生长和硬霜的快速凝结。
核心机制：
- 软霜搜索策略：模拟微风环境中软霜的随机生长，通过大范围探索与小范围开发的切换实现高效优化。粒子更新公式为：
编辑
- 硬霜穿刺策略：模拟大风环境中硬霜的快速凝结，通过粒子交换增强收敛速度和跳出局部最优的能力。
- 正向贪婪机制：通过比较个体更新前后的适应度值决定是否替换，确保种群持续向更优方向演化。
数学模型与参数设计对比
1. 动态调整机制
-
编辑
2. 多样性保持策略
- AOA：通过信息交叉机制在后期巩固阶段引入外部解信息，增强种群多样性。
- RIME：硬霜穿刺策略通过粒子交换打破局部最优，正向贪婪机制确保优秀个体保留。
性能特点与应用场景对比
1. 收敛速度与精度
- AOA：在IEEE CEC 2014和CEC 2022测试集上，AOA在单峰函数（如Sphere、Rosenbrock）中收敛速度较快，但在多峰函数（如Rastrigin、Ackley）中易陷入局部最优。
- RIME：在CEC2017和CEC2022测试集中，RIME在23个标准测试函数中优于2024年提出的极光优化算法（PLO），尤其在多峰函数中表现出更强的全局搜索能力。
2. 鲁棒性与适应性
- AOA：通过三阶段策略和概率系数设计，AOA对初始解分布和问题维度变化具有较强鲁棒性，适用于医学图像分割等复杂场景。
- RIME：软霜搜索策略的随机性与硬霜穿刺策略的确定性结合，使RIME在路径规划、无线传感器覆盖等动态优化问题中表现优异。
3. 典型应用场景
- AOA：
- 医学图像分割：在乳腺癌病理图像分割中，AOA在六个阈值级别上的分割准确性、FSIM、PSNR和SSIM指标均优于对比算法。
- 多目标优化：多目标青蒿素优化算法（MOAOA）在UF1-UF10基准函数上通过GD、IGD、HV等六种指标验证了其收敛性和多样性。
- RIME：
- 预测与分类：结合SVM、LSTM等模型，RIME在回归、时序预测和分类任务中展现出高精度。
- 路径规划：在机器人路径规划和无人机三维路径规划中，RIME通过硬霜穿刺策略快速找到全局最优路径。
结论与展望
AOA与RIME分别通过生物医学和自然现象的灵感设计，在优化性能上形成互补：
- AOA更适合需要高精度局部开发的静态优化问题，如医学图像分割和多目标优化。
- RIME在动态优化问题（如路径规划、时序预测）中表现更优，其软霜搜索策略的随机性使其更擅长逃离局部最优。
未来研究可探索以下方向：
- 混合算法设计：结合AOA的局部开发能力和RIME的全局搜索能力，构建混合优化框架。
- 参数自适应调整：引入机器学习技术动态优化算法参数，进一步提升性能。
- 跨领域应用拓展：将AOA和RIME应用于更多工程领域，如微电网优化、故障诊断等。
📚2 运行结果
并与2023年新出的霜冰优化算法RIME进行对比！这边展示其中5个测试函数的图，其余十几个测试函数大家可以自行切换尝试！
编辑
编辑
编辑
编辑
编辑
部分代码：
function [bestfitness,Leader_pos,Convergence_curve]=AO(N,MaxFEs,lb,ub,dim,fobj)
% Initialization parameters
FEs=0;
it=1;
%% Initialization of the solution set
pop=initialization(N,dim,ub,lb);
%Calculate the fitness value of the initial solution set
for i=1:N
Fitness(i)=fobj(pop(i,:));
FEs=FEs+1;
end
[fmin,x]=min(Fitness);
%Container
New_pop=zeros(N,dim);
Fitnorm=zeros(1,N);
Convergence_curve=[];
%Record the current optimal solution
best=pop(x,:);
bestfitness=fmin;
%% Main loop
while FEs<=MaxFEs
🎉3 参考文献
文章中一些内容引自网络，会注明出处或引用资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取【请看主页然后私信】
