【智能算法】长鼻浣熊优化算法（COA）原理及实现

在这里插入图片描述

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。
在这里插入图片描述

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：
$X_i^{P1}: x_{i,j}^{P1}=x_{i,j}+r\cdot\left(Iguana_j-I\cdot x_{i,j}\right), \mathrm{for} i=1,2, \ldots,\left\lfloor\frac N2\right\rfloor \tag{1}$
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:
$lguana^G: lguana_j^G= lb_j+r\cdot\left(ub_j-lb_j\right), j= 1, 2, \ldots, m,\\X_i^{P1}:x_{i,j}^{P1}=\begin{cases}x_{i,j}+r\cdot\left(lguana_j^C-l\cdot x_{i,j}\right),&F_{lguana^G}<F_i,\\\quad x_{i,j}+r\cdot\left(x_{i,j}-lguana_j^G\right),&else,\end{cases}\tag{2}$
根据适应度更新位置：
$X_i=\begin{cases}X_i^{P1},&\quad F_i^{P1}<F_i,\\\quad X_i,&\quad else.\end{cases}\tag{3}$
在这里插入图片描述
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:
$lb_{j}^{local}=\frac{lb_{j}}{t},ub_{j}^{local}=\frac{ub_{j}}{t}, \mathrm{where} t=1, 2, \ldots, T.\\X_{i}^{P2}: x_{i,j}^{P2}=x_{i,j}+(1-2r)\cdot\left(lb_{j}^{local}+r\cdot\left(ub_{j}^{local}-lb_{j}^{local}\right)\right),\tag{4}$
根据适应度更新位置：
$X_i=\begin{cases}X_i^{P2},&\quad F_i^{P2}<F_i,\\\quad X_i,&\quad else,\end{cases}\tag{5}$

流程图
在这里插入图片描述

3.结果展示

在这里插入图片描述

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.

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/804579.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！