본 논문은 최근 제안된 물리 기반 메타휴리스틱 알고리즘인 RIME 알고리즘의 단점을 개선하기 위해 수정된 RIME 알고리즘인 MRIME-CD를 제안한다. RIME 알고리즘은 최적화 과정에서 개체군 다양성이 빠르게 감소하고 지역 최적해에 빠지기 쉬운 문제점을 가지고 있는데, MRIME-CD는 공분산 학습 전략과 다양성 향상 전략을 통해 이러한 문제를 해결한다. 세 가지 전략으로는, 우선 소프트-라임 검색 단계에서 공분산 학습 전략을 도입하여 개체군 다양성을 증가시키고 과도한 착취를 방지한다. 다음으로, 초기 단계에서 최적 개체에 접근하는 경향을 완화하기 위해 평균 부트스트래핑 전략을 하드-라임 펑크처 메커니즘에 도입하여 전역 탐색 능력을 향상시킨다. 마지막으로, 새로운 정체 지표를 제안하고, 알고리즘이 정체될 때 정체된 개체를 업데이트하여 지역 최적해 탈출 능력을 향상시킨다. CEC2017 및 CEC2022 테스트 세트를 사용한 실험 결과, MRIME-CD는 기존 RIME 알고리즘보다 해의 정확도, 수렴 속도, 안정성 면에서 우수한 성능을 보였다. Friedman test, Wilcoxon rank sum test, Kruskal Wallis test를 사용하여 통계적 유의성을 검증하였다.
