【獲取資源請(qǐng)見文章第5節(jié)：資源獲取】

1. 原始COA算法

長鼻浣熊優(yōu)化算法（Cоati Optimization Algorithm，COA）是一種啟發(fā)式優(yōu)化算法，靈感來源于長鼻浣熊（Coati）的行為策略。長鼻浣熊優(yōu)化算法基于長鼻浣熊在覓食過程中的特性和行為模式。長鼻浣熊是一種樹棲動(dòng)物，具有長而靈活的鼻子，用于覓食和捕食。它們通過嗅覺感知周圍環(huán)境，利用敏銳的視覺和協(xié)調(diào)的運(yùn)動(dòng)能力來尋找食物。

1.1 開發(fā)階段

這個(gè)階段模擬的是浣熊對(duì)鬣蜥的攻擊策略，對(duì)搜索空間中的種群更新的第一個(gè)階段進(jìn)行建模。在這個(gè)策略中，一群浣熊會(huì)爬上樹，對(duì)著一只鬣蜥，并嚇唬它，其他幾個(gè)浣熊會(huì)在樹下等待鬣蜥掉下來。當(dāng)鬣蜥掉下來之后，浣熊就會(huì)攻擊并獵殺它。這個(gè)策略使得COA在搜索空間中移動(dòng)到不同的位置，說明COA在問題解決空間中的全局搜索能力。

在COA的設(shè)計(jì)中，種群中的最佳位置被假定為鬣蜥的位置。此外，還假設(shè)有一般的浣熊能爬上樹，另一半在地上等待鬣蜥掉下來。因此，浣熊在樹上的位置可以用以下公式描述：

鬣蜥落地后，將其放置在搜索空間中的任意位置。基于這種隨機(jī)位置，地面上的浣熊可以在搜索空間中移動(dòng)，用下列公式來描述：

對(duì)于每個(gè)浣熊計(jì)算的新位置，如果它改善了目標(biāo)函數(shù)的值，那么就會(huì)被接受，否則，浣熊將保持原先的位置，此過程用以下公式來表示。這個(gè)可以被視為貪婪法則。

這里$x_i^{P1}$是計(jì)算第$i$個(gè)浣熊的新位置，$x_{i,j}^{P1}$是它的第$j$維，$F_i^{P1}$是它的目標(biāo)函數(shù)值，$r$是$[0,1]$區(qū)間內(nèi)的隨機(jī)實(shí)數(shù)。$Iguana$代表鬣蜥在搜索空間中的位置，這實(shí)際上是指種群中最佳個(gè)體的位置；$Iguan{a}_j$是它的第$j$維，$j$是一個(gè)整數(shù)，從集合{1,2}中隨機(jī)選擇，$Iguan{a}^G$是在地面上的位置，它是隨機(jī)生成的。$Iguan{a}_j^G$蠢晰是它的第$j$維，$F_{Iguana}^G$是它的目標(biāo)函數(shù)值。

1.2 探索階段

在第二階段即探索階段的過程中，位置更新模擬的是浣熊在遇到捕食者和逃避捕食者的行為。當(dāng)食肉動(dòng)物攻擊浣熊時(shí)，浣熊就會(huì)從它的位置上逃走。浣熊在該策略中的移動(dòng)使其處于接近其當(dāng)前位置的安全位置，這代表這COA的局部開發(fā)能力。為了模擬這種行為，COA在每個(gè)長鼻浣熊個(gè)體附近生成一個(gè)隨機(jī)位置，公式如下所示：

與開發(fā)階段中類似，同樣使用貪婪選擇來決定是替換還是保留原先的位置。

2. 改進(jìn)后的ICOA算法

2.1 Circle映射種群初始化

Circle混沌映射在混沌理論研究、密碼學(xué)、隨機(jī)數(shù)生成和通信系統(tǒng)中具有一定的應(yīng)用。它展示了非線性系統(tǒng)中的復(fù)雜動(dòng)力學(xué)行為，并且可以用來生成具有高度隨機(jī)性的序列。
Circle的公式如下：

2.2 Levy飛行策略

在COA浣熊開發(fā)階段的位置更新公式中，會(huì)根據(jù)目前的個(gè)體最優(yōu)值來更新自己的位置，也容易陷入局部最優(yōu)，此時(shí)可以使用萊維飛行策略進(jìn)行位置更新使得這部分個(gè)體去到更廣的搜索空間：

2.3 透鏡成像折射反向?qū)W習(xí)策略

透鏡成像折射反向?qū)W習(xí)策略的思想來自于凸透鏡成像的原理。通過基于當(dāng)前坐標(biāo)生成一個(gè)反向位置來擴(kuò)展搜索范圍，如圖1所示。

在二維坐標(biāo)中，x軸的搜索范圍為(a, b)， y軸表示一個(gè)凸透鏡。假設(shè)物體A在x軸上的投影為x，高度為h，通過透鏡成像，另一側(cè)的圖像為A*， A在x軸上的投影為x，高度為h*。通過以上分析，我們可以得到如下公式：
$$\frac{(a+b)/2?x}{x^{?}?(a+b)/2}=\frac{h}{h^{?}}\text{\hspace{1em}(1)}$$
對(duì)公式(1)進(jìn)行轉(zhuǎn)換，即可得到反向解x*的表達(dá)式為：
$$x^{?}=\frac{a+b}{2}+\frac{a+b}{2k}?\frac{x}{k}\text{\hspace{1em}(2)}$$
其中，$k=h/h^{?}$，$a$和$b$可以視為某維度的上下限。本文中的$k$是一個(gè)與迭代次數(shù)相關(guān)的動(dòng)態(tài)自適應(yīng)值。

3. 部分代碼展示

Fun_name='F1'; % number of test functions: 'F1' to 'F23'

SearchAgents=30;                      % number of Coati (population members) 
Max_iterations=500;                  % maximum number of iteration
[lowerbound,upperbound,dimension,fitness]=fun_info(Fun_name); % Object function information
[Best_score_COA,Best_pos_COA,COA_curve]=COA(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness);  % Calculating the solution of the given problem using COA 
[Best_score_GWO,Best_pos_GWO,GWO_curve]=GWO(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness); % 灰狼優(yōu)化算法
[Best_score_WOA,Best_pos_WOA,WOA_curve]=WOA(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness); % 鯨魚優(yōu)化算法
[Best_score_SSA,Best_pos_SSA,SSA_curve]=SSA(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness); % 麻雀搜索算法
[Best_score_ICOA,Best_pos_ICOA,ICOA_curve]=ICOA(SearchAgents,Max_iterations,lowerbound,upperbound,dimension,fitness);
%%
figure('Position',[454   445   694   297]);
subplot(1,2,1);
func_plot(Fun_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Fun_name,'( x_1 , x_2 )'])

subplot(1,2,2);
% 灰狼優(yōu)化算法
semilogy(GWO_curve,'Color','b','LineWidth',2)
hold on
% 鯨魚優(yōu)化算法
semilogy(WOA_curve,'Color','g','LineWidth',2)
hold on
% 麻雀搜索算法
semilogy(SSA_curve,'Color','m','LineWidth',2)
hold on
semilogy(COA_curve,'Color','k','LineWidth',2)
hold on
semilogy(ICOA_curve,'Color','r','LineWidth',2)
title(Fun_name)
xlabel('Iteration');
ylabel('Best fitness function');
axis tight
legend('GWO','WOA','SSA','COA','ICOA')

4. 仿真結(jié)果展示

5. 資源獲取

可以獲取完整代碼資源。文章來源地址http://www.zghlxwxcb.cn/news/detail-485942.html

到了這里，關(guān)于【群智能算法改進(jìn)】一種改進(jìn)的浣熊優(yōu)化算法 改進(jìn)長鼻浣熊優(yōu)化算法 改進(jìn)后的ICOA[1]算法【Matlab代碼#41】的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！