【智能算法】郊狼算法（COA)原理及实现

1.背景

2018年，Juliano等人受到郊狼生活习性启发，提出了郊狼算法(Coyote Optimization Algorithm ，COA)。

2.算法原理

2.1算法思想

COA是基于郊狼群体生存行为（出生、死亡和迁移）的启发式优化算法，该算法模仿了郊狼在捕食行为中的策略和社会结构。

2.2算法过程

个体离群概率：
自然界群体数量不是固定的，存在个体离群现象。
$$P_e=0.005\cdot N_c^2\text{\hspace{1em}(1)}$$
文化趋势：
COA存在个体最优引导（头狼），影响整个种群文化趋势：
a l p h a p , t = { s o c c p , t ∣ a r g c = { 1 , 2 , . . . , N c } m i n f ( s o c c p , t ) } (2) alpha^{p,t}=\{soc_{c}^{p,t}|arg_{c=\{1,2,...,N_{c}\}}minf(soc_{c}^{p,t})\}\tag{2} alphap,t={soccp,t​∣argc={1,2,...,Nc​}​minf(soccp,t​)}(2)
$$clu{t}_j^{p,t}=\{\begin{array}{c}{O}_{(Nc+1)/2,j}^{p,t},N_c\text{是奇数}\\ O_{(Nc+1)/2,j}^{p,t}+O_{(Nc)/2,j}^{p,t},N_c\text{是偶数}\end{array}\text{\hspace{1em}(3)}$$
出生与死亡：
影响种群重要的两件事件出生与死亡，表述为：
$$pu{p}_j^{p,t}=\{\begin{array}{l}{x}_{m_1,j}^{p,t},ran{d}_j<Psorj=j_1\\ x_{m_1,j}^{p,t},ran{d}_j\ge Ps+Paorj=j_2\\ R_j,ran{d}_j,\text{其他}\end{array}\text{\hspace{1em}(4)}$$
文化趋势影响：
$${\delta }_1=alph{a}^{p,t}-x_{c{r}_1}^{p,t},{\delta }_2=cul{t}^{p,t}-x_{c{r}_2}^{p,t}\text{\hspace{1em}(5)}$$
种群更新：
$$\begin{gathered} new\_x_i^{p,t}=x_i^{p,t}+r_1{\delta }_1+r_2\delta 2 \\ {x}_i^{p,t+1}=\{\begin{array}{l}new\_x_i^{p,t},f(new\_x_i^{p,t})<f(x_i^{p,t})\\ x_i^{p,t},\text{其他}\end{array}\text{\hspace{1em}(6)} \end{gathered}$$
伪代码：

3.结果展示

4.参考文献

[1] Pierezan J, Coelho L D S. Coyote optimization algorithm: a new metaheuristic for global optimization problems[C]//2018 IEEE congress on evolutionary computation (CEC). IEEE, 2018: 1-8.