🪼 灯塔水母算法（IJA）

新型生物启发式群体智能优化器
融合灯塔水母生命周期 × 灯塔光传播物理模型

English README

---

🌊 什么是 IJA？

灯塔水母算法（Immortal Jellyfish Algorithm，IJA） 是一种全新的元启发式优化算法，灵感来源于：

1. Turritopsis dohrnii（灯塔水母）的生命周期 —— 地球上唯一已知能从成体水母体退化回幼体水螅体、实现生物学意义上"永生"的动物。
2. 灯塔水母光传播的物理模型 —— 光强随距离按平方反比衰减的物理规律。

提供 Python、C++、Java 三个版本。

---

🔬 四阶段生命周期

 ──────────────────────────────────────────────────────────────▶  进度 τ = t/T
  [0, 0.15)              [0.15, 0.50)        [0.50, 0.85)         [0.85, 1]
 ┌──────────────┐      ┌──────────────┐    ┌──────────────┐    ┌──────────────┐
 │   水螅体      │  ->  │  横裂生殖    │ -> │   水母体      │ -> │    衰老期    │
 │   POLYP      │      │ STROBILATION │    │    MEDUSA    │    │  SENESCENCE  │
 │              │      │              │    │              │    │              │
 │  莱维飞行     │      │ 自适应       │    │  灯塔吸引     │    │  高斯精细     │
 │  全局探索     │      │ 子代克隆     │    │  开发收敛     │    │  局部优化     │
 └──────────────┘      └──────────────┘    └──────────────┘    └──────────────┘
     广域搜索               多样化              收敛                精调

核心数学算子：

$$I_{i,s} = \frac{I_0}{1+\kappa|\mathbf{x}_i-\mathbf{g}_s|^2}\,e^{-\lambda\tau} \qquad \text{（灯塔吸引，逆平方光强模型）}$$

$$\mathbf{x}_i^{t+1} = \mathbf{x}_i^t + 0.01(u-l)\cdot L_j(\beta)\cdot(\mathbf{x}_i^t-\mathbf{x}^*) \qquad \text{（莱维飞行探索）}$$

$$\delta_j^t = A_0(1-\tau)^2\sin(2\pi f_p\tau+\phi_i)(u_j-l_j) \qquad \text{（脉冲游泳）}$$

$$\mathbf{x}_i^{\text{opp}} = l_j + u_j - \mathbf{x}_i \qquad \text{（去分化，基于对立学习的重启）}$$

完整数学推导见 docs/algorithm_details.md

---

📊 基准测试结果

实验设置：30 次独立运行，维度 D = 30。
IJA 使用推荐参数；对比算法使用各自文献标准参数。

收敛曲线

排名热力图

平均排名柱状图

最终适应度分布箱线图

---

🚀 快速使用

Python

# 安装依赖
pip install -r requirements.txt

# 运行一个简单示例
python - <<'EOF'
import sys; sys.path.insert(0, "python")
from ija import IJA
import numpy as np

# 最小化 30 维球函数
result = IJA(n=100, max_iter=2000, seed=0).optimize(
    lambda x: np.sum(x**2),
    dim=30, lb=-100.0, ub=100.0
)
print(f"最优适应度：{result.best_fitness:.6e}")
print(f"函数评估次数：{result.n_function_evals}")
EOF

更多用法示例：python python/examples/quickstart.py

C++

cd cpp
mkdir build && cd build
cmake .. -DCMAKE_BUILD_TYPE=Release
make -j4

./ija_demo          # 运行所有 8 个基准函数

Java

cd java
mvn compile
mvn exec:java -Dexec.mainClass="ija.Main"

# 不用 Maven：
javac -d out src/main/java/ija/*.java
java -cp out ija.Main

---

🔁 复现完整实验

# 第一步：运行实验（约 30-60 分钟，取决于机器性能）
cd immortal-jellyfish-algorithm
python python/experiments/run_all.py

# 第二步：生成所有图表
python python/experiments/visualize.py

# 生成全部图表但跳过 3D 轨迹图（节省时间）
python python/experiments/visualize.py --skip-slow

---

📁 项目结构

immortal-jellyfish-algorithm/
├── python/                        ← 主实现（Python）
│   ├── ija/
│   │   ├── __init__.py            # 对外 API：IJA, OptimizeResult
│   │   ├── algorithm.py           # 主优化器类
│   │   ├── operators.py           # 所有数学算子
│   │   ├── lifecycle.py           # 相位调度器
│   │   └── archive.py             # 拥挤距离精英档案
│   ├── benchmarks/functions.py    # 8 个基准函数
│   ├── compare/algorithms.py      # PSO、DE、GWO、WOA、SCA
│   ├── experiments/
│   │   ├── run_all.py             # 完整实验运行器
│   │   └── visualize.py           # 图表生成
│   └── examples/quickstart.py    # 4 个带注释的示例
├── cpp/                           # C++ 实现（竞赛风格）
│   ├── include/ija.h
│   ├── src/ija.cpp
│   └── CMakeLists.txt
├── java/                          # Java 实现（Builder 模式）
│   ├── src/main/java/ija/
│   └── pom.xml
├── docs/algorithm_details.md      # 完整数学推导
├── results/                       # 图表和 JSON 输出
├── pyproject.toml
├── requirements.txt
├── LICENSE
└── README.md                      # 英文主页

---

⚙️ IJA 推荐参数

参数	推荐值	说明
n	100	种群规模
max_iter	2000	最大迭代次数
top_k	5	灯塔精英数量
levy_beta	1.5	莱维分布指数
archive_size	20	精英档案容量
age_max	20	停滞阈值（触发去分化）
decay_lambda	0.3	灯塔光强衰减率
alpha_max	2.5	最大步长
alpha_min	0.01	最小步长

---

🆕 算法改进亮点

相比同类算法，IJA 的独特设计：

• 自适应子代数量：横裂生殖阶段，ephyra 数量从 5 动态递减至 2，前期多样化、后期节省预算。
• 拥挤距离档案：精英档案按（适应度, 拥挤距离）双重标准剪枝，保留高质量 + 多样性的精英解集。
• 四阶段自动调度：无需手动切换策略，算法根据进度 τ 自动切换全局探索 → 多样化 → 收敛 → 精调。
• 三语言实现：Python、C++、Java 功能对等，覆盖研究、嵌入式、工业多场景。

---

📖 引用格式

@software{ija2025,
  title   = {Immortal Jellyfish Algorithm (IJA): A Novel Bio-Inspired Swarm Intelligence Optimizer},
  author  = {IJA Contributors},
  year    = {2025},
  url     = {https://github.com/LangZhong36/immortal-jellyfish-algorithm},
  license = {MIT}
}

---

🤝 参与贡献

欢迎 Issue 和 PR！步骤：Fork → 新建分支 → 提交修改 → 发起 Pull Request。三个语言实现应保持功能一致。

---

📜 开源协议

MIT — 详见 LICENSE。

---

⭐ 如果这个项目对你有帮助，欢迎点个 Star！