23年中科院1区算法|长鼻浣熊优化算法COA原理及其利用与改进(Matlab/Python)

文章来源于我的个人公众号：KAU的云实验台，主要更新智能优化算法的原理、应用、改进

CEC2005中的测试

本文
KAU将介绍一个2023年1月发表在中科院1区KBS上的优化算法——长鼻浣熊优化算法(Coati Optimization Algorithm，COA)[1]

该算法由Dehghani教授等人[1]于2023年提出，其模拟了北美长鼻浣熊合作攻击鬣蜥时的行为(勘探)以及分散逃离捕食者时的行为(开发)，具有无需设置控制参数、高效率以及较强的平衡能力(勘探/开发)等优势，与11种优化算法在51个基准函数上进行测试，显示出其惊艳的性能。

图源文献[1]

本文将介绍COA原理、利用与改进，最后也给出了算法的MATLAB和Python实现。将这样性能优异的新算法应用于一些工程问题也能够在一定程度上提升文章的创新性。

00 目录

1 长鼻浣熊优化 (COA) 算法原理

2 代码目录

3 算法性能

4 源码获取

01 长鼻浣熊优化 (COA)算法原理

COA通过合作狩猎鬣蜥以及分散逃离捕食者两种行为来实现模型参数的优化，原理​如下：

1.1 勘探—合作狩猎鬣蜥

图源文献[1]

在该阶段，一半的长鼻浣熊爬上一棵树接近鬣蜥进行狩猎，同时另一半长鼻浣熊会聚集在树下游走等待鬣蜥落地，当鬣蜥落地，长鼻浣熊将猎杀它，鬣蜥即代表了全局最优位置，这种求解过程展现了COA的全局探索能力。

爬树长鼻浣熊行为的数学模型为：

鬣蜥落地位置随机，地面长鼻浣熊也将据此随机移动，其数学模型为：

式中I为随机整数。

1.2 开发—分散逃离捕食者

图源文献[1]

若出现捕食者攻击长鼻浣熊，则长鼻浣熊将逃离原来的位置，并在附近的安全地点寻求庇护。这反映了COA在局部搜索方面的性能，其数学模型为：

每次移动后，都将采用贪婪策略进行位置更新，即：

1.5 算法流程

COA算法已介绍完毕，包括勘探和开发两个阶段，结构简明，并且性能也不错，后续KAU也会推出COA的原创改进。该算法的的程图如下：

1.6 算法利用&改进

利用方面，COA的勘探阶段设计的比较有意思，其将种群分为两拨，各自执行不同的公式，前1/2受到了种群信息的引导，后1/2则进行分散的随机搜索，种群既能得到一定引导信息，同时也能分散扩大搜索范围，使得种群具有良好的全局性能，这一种策略可以加以利用。并且可以看到COA在开发阶段更倾向于在自身周围进行细致搜索，因此其全局最优的引导信息都落在了勘探阶段，进一步可以看到勘探阶段的重要性，想必将其引入其他算法中也能取得效果。

改进方面，可以注意COA的开发阶段，其主要是在当前个体周围进行搜索，没有种群信息的引导，可能不利于后期的收敛，可以引入全局最优信息对公式进行改进。后续KAU也将对COA算法进行原创改进，感兴趣的朋友可以关注一波哦~

02 代码目录

(左Python，右Matlab)

代码包含MATLAB和Python，Python代码为KAU按照原作者的Matlab代码手搓而成。考虑到很多同学获取代码后，MATLAB代码部分有乱码（MATLAB版本问题），有几个方法：

①可以将MATLAB版本改为2020及以上；

②将m文件用记事本打开，再将记事本中的代码复制到Matlab即可

代码都经过作者重新注释，代码清爽，可读性强。

03 算法性能

采用标准测试函数初步检验其寻优性能

在MATLAB中，进行标准函数的测试，执行程序结果如下：

在Python中，进行标准函数的测试，执行程序结果如下：

​MATLAB和Python都进行了函数测试，测试效果都不错，其收敛速度和精度很好。

04 源码获取

在公众号（KAU的云实验台）后台回复 COA 即可

后续KAU将更新关于COA的原创改进算法，感兴趣的话可以关注不迷路~

参考文献

[1] DEHGHANI M, MONTAZERI Z, TROJOVSKÁ E, et al.Coati Optimization Algorithm: a new bio-inspired metaheuristic algorithm for solving optimization problems[J].Knowledge-based systems, 2023, 259: 110011.

另：如果有伙伴有待解决的优化问题（各种领域都可），可以发我，我会选择性的更新利用优化算法解决这些问题的文章。

如果这篇文章对你有帮助或启发，可以点击右下角的赞/在看(ง •̀_•́)ง(不点也行)，你们的鼓励就是我坚持的动力！若有定制需求，可私信作者。