目录
- 1.背景
- 2.算法原理
- 2.1算法思想
- 2.2算法过程
- 3.结果展示
- 4.参考文献
1.背景
2023年，M Dehghani等人受到长鼻浣熊自然行为启发，提出了长鼻浣熊优化算法（Coati Optimization Algorithm，COA）。
2.算法原理
2.1算法思想
COA模拟浣熊的两种自然行为：攻击和捕猎鬣蜥和逃离捕食者，COA在两个不同的阶段进行更新。
2.2算法过程
阶段1:猎捕和攻击鬣蜥策略(探索阶段)
长鼻浣熊种群在搜索空间中更新的第一阶段，模拟了它们攻击鬣蜥的策略。在这个策略中，一群长鼻浣熊爬上树接近鬣蜥并吓唬它，其他长鼻浣熊在树下等待。当鬣蜥倒地后，长鼻浣熊攻击并猎杀它。这一策略使得长鼻浣熊在搜索空间中移动到不同位置，展现了它们在全局搜索中的探索能力：
X i P 1 : x i , j P 1 = x i , j + r ⋅ ( I g u a n a j − I ⋅ x i , j ) , f o r i = 1 , 2 , … , ⌊ N 2 ⌋ (1) X_i^{P1}: x_{i,j}^{P1}=x_{i,j}+r\cdot\left(Iguana_j-I\cdot x_{i,j}\right), \mathrm{for} i=1,2, \ldots,\left\lfloor\frac N2\right\rfloor \tag{1} XiP1:xi,jP1=xi,j+r⋅(Iguanaj−I⋅xi,j),fori=1,2,…,⌊2N⌋(1)
在鬣蜥落地后，将其放置在搜索空间的任意位置，地面上的浣熊在搜索空间中移动:
l g u a n a G : l g u a n a j G = l b j + r ⋅ ( u b j − l b j ) , j = 1 , 2 , … , m , X i P 1 : x i , j P 1 = { x i , j + r ⋅ ( l g u a n a j C − l ⋅ x i , j ) , F l g u a n a G < F i , x i , j + r ⋅ ( x i , j − l g u a n a j G ) , e l s e , (2) lguana^G: lguana_j^G= lb_j+r\cdot\left(ub_j-lb_j\right), j= 1, 2, \ldots, m,\\X_i^{P1}:x_{i,j}^{P1}=\begin{cases}x_{i,j}+r\cdot\left(lguana_j^C-l\cdot x_{i,j}\right),&F_{lguana^G}<F_i,\\\quad x_{i,j}+r\cdot\left(x_{i,j}-lguana_j^G\right),&else,\end{cases}\tag{2} lguanaG:lguanajG=lbj+r⋅(ubj−lbj),j=1,2,…,m,XiP1:xi,jP1={xi,j+r⋅(lguanajC−l⋅xi,j),xi,j+r⋅(xi,j−lguanajG),FlguanaG<Fi,else,(2)
根据适应度更新位置：
X i = { X i P 1 , F i P 1 < F i , X i , e l s e . (3) X_i=\begin{cases}X_i^{P1},&\quad F_i^{P1}<F_i,\\\quad X_i,&\quad else.\end{cases}\tag{3} Xi={XiP1,Xi,FiP1<Fi,else.(3)
阶段2:逃离捕食者的过程(开发阶段)
当捕食者攻击浣熊时，浣熊会逃离它的位置:
l b j l o c a l = l b j t , u b j l o c a l = u b j t , w h e r e t = 1 , 2 , … , T . X i P 2 : x i , j P 2 = x i , j + ( 1 − 2 r ) ⋅ ( l b j l o c a l + r ⋅ ( u b j l o c a l − l b j l o c a l ) ) , (4) lb_{j}^{local}=\frac{lb_{j}}{t},ub_{j}^{local}=\frac{ub_{j}}{t}, \mathrm{where} t=1, 2, \ldots, T.\\X_{i}^{P2}: x_{i,j}^{P2}=x_{i,j}+(1-2r)\cdot\left(lb_{j}^{local}+r\cdot\left(ub_{j}^{local}-lb_{j}^{local}\right)\right),\tag{4} lbjlocal=tlbj,ubjlocal=tubj,wheret=1,2,…,T.XiP2:xi,jP2=xi,j+(1−2r)⋅(lbjlocal+r⋅(ubjlocal−lbjlocal)),(4)
根据适应度更新位置：
X i = { X i P 2 , F i P 2 < F i , X i , e l s e , (5) X_i=\begin{cases}X_i^{P2},&\quad F_i^{P2}<F_i,\\\quad X_i,&\quad else,\end{cases}\tag{5} Xi={XiP2,Xi,FiP2<Fi,else,(5)
流程图
3.结果展示
4.参考文献
[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.
