智能优化算法：浣熊优化算法-附代码

智能优化算法：浣熊优化算法

摘要：浣熊优化算法（Coati Optimization Algorithm(COA)），是于2022年提出的一种基于浣熊行为的优化算法，该算法通过模拟浣熊猎食行为来进行寻优，具有寻优能力强，收敛速度快等特点

1.浣熊优化算法

1.1 初始化

与其他优化算法类似，在寻优空间里随机初始化种群：
$$x_{i,j}=l{b}_j+r\cdot \left(u{b}_j-l{b}_j\right)\text{\hspace{1em}(2)}$$
其中$x_{i,j}$为个体， $l{b}_j$为寻优下边界，$u{b}_j$为寻优上边界，$r$为[0,1]之间的随机数。

1.2 阶段一：狩猎和攻击（探索阶段）

在搜索空间中更新coatis种群的第一阶段是基于模拟它们攻击鬣蜥（Iguana）时的策略进行建模的。在这一策略中，一群coatis爬上树去够一只鬣蜥并吓唬它。其他几只coatis在树下等待，直到鬣蜥摔倒在地。鬣蜥落地后，coatis攻击并猎杀它。这种策略导致coatis移动到搜索空间的不同位置，这表明了COA在解决问题空间的全局搜索中的探索能力。

在COA设计中，假设种群中最好成员的位置是鬣蜥的位置。也有人假设，一半的鬣蜥爬上树，另一半等待鬣蜥掉到地上。因此，使用等式（4）对从树上升起的涂层的位置进行数学模拟。
$$\begin{gathered} X_i^{P1}:x_{i,j}^{P1}=x_{i,j}+r\cdot \left({\text{ Iguana }}_j-I\cdot x_{i,j}\right),\text{ for }i=1,2,\dots ,\lfloor \frac{N}{2}\rfloor \\ andj=1,2,\dots ,m.\text{\hspace{1em}(4)} \end{gathered}$$
鬣蜥摔倒在地后，它被放置在搜索空间中的一个随机位置。基于这个随机位置，地面上的涂层在搜索空间中移动，这是使用等式（5）和（6）模拟的。

$$\begin{array}{rl}& {\text{ Iguana }}^G:\text{ Iguana }{a}_j^G=l{b}_j+r\cdot \left(u{b}_j-l{b}_j\right),j=1,2,\dots ,m\text{, }\end{array}\text{\hspace{1em}(5)}$$

$$\begin{array}{rl}& X_i^{p1}:x_{i,j}^{P1}=\{\begin{array}{cl}{x}_{i,j}+r\cdot \left(\text{ Iguana }{j}_j^G-I\cdot x_{i,j}\right),& F_{\text{Iguana }}^G<F_i,\\ x_{i,j}+r\cdot \left(x_{i,j}-{\text{ Iguana }}_j^G\right),& \text{ else, }\end{array}\\ & \text{ for }i=\lfloor \frac{N}{2}\rfloor +1,\lfloor \frac{N}{2}\rfloor +2,\dots ,N\text{ and }j=1,2,\dots ,m\text{. }\\ & \end{array}\text{\hspace{1em}(6)}$$

如果更新后的个体更优则更新当前个体，否则保持原状：
$$X_i=\{\begin{array}{rl}{X}_i^{P1},& F_i^{P1}<F_i\\ X_i,& \text{ else. }\end{array}\text{\hspace{1em}(7)}$$
这里$X_i^{P1}$是更新后的新位置，$Iguana$为猎物鬣蜥的位置，$r$为[0,1]之间的随机数。I为随机选择的1或者2。

1.3 阶段二：逃离捕食者（开发阶段）

更新coatis在搜索空间中的位置的过程的第二阶段是基于coatis遇到捕食者和逃离捕食者时的自然行为进行数学建模的。当捕食者攻击一只coatis时，它会从自己的位置逃跑。Coati在这一战略中的举措使其处于接近当前位置的安全位置，这表明了COA在本地搜索中的局部搜索能力。

为了模拟这种行为，基于等式（8）和（9），在每个coatis所在的位置附近生成随机位置。
$$\begin{array}{c}l{b}_j^{\text{local }}=\frac{l{b}_j}{t},u{b}_j^{\text{local }}=\frac{u{b}_j}{t},\text{ where }t=1,2,\dots ,T\end{array}\text{\hspace{1em}(8)}$$

$$\begin{array}{c}{X}_i^{P2}:x_{i,j}^{P2}=x_{i,j}+(1-2r)\cdot \left(l{b}_j^{\text{local }}+r\cdot \left(u{b}_j^{\text{local }}-l{b}_j^{\text{local }}\right)\right),\\ i=1,2,\dots ,N,j=1,2,\dots ,m\end{array}\text{\hspace{1em}(9)}$$

其中t 为迭代次数，如果更新后的个体更优则更新当前个体，否则保持原状：
$$X_i=\{\begin{array}{rl}{X}_i^{P2},& F_i^{P2}<F_i\\ X_i,& \text{ else }\end{array}\text{\hspace{1em}(10)}$$

算法流程图如下：

2.实验结果

3.参考文献

[1]Dehghani Mohammad,Montazeri Zeinab,Trojovská Eva,Trojovský Pavel. Coati Optimization Algorithm: A new bio-inspired metaheuristic algorithm for solving optimization problems[J]. Knowledge-Based Systems,2023,259.

uristic algorithm for solving optimization problems[J]. Knowledge-Based Systems,2023,259.

4. Matlab