改进COA算法：参数优化与组内成长机制详解

COA郊狼优化算法是一种基于生物行为的搜索优化技术，其灵感来源于狼群的行为策略。原始的COA算法在实际应用中可能存在一些问题，如参数设置复杂、可操作性差等。为解决这些问题，本研究提出了一种改进的COA算法，主要分为两个关键步骤。 首先，是参数初始化和随机初始化狼群。研究者定义了关键参数，如狼群规模、郊狼组数、组内郊狼数量等，并使用均匀分布的随机数对每组每只郊狼的第维社会状态因子进行初始化。社会适应度值的计算依赖于适应度函数，用公式(39)和(40)来衡量郊狼在搜索空间中的表现。 第二步，是优化的核心部分，即组内郊狼的成长过程。这个阶段涉及到组内最优狼的选择、组文化趋势以及随机选择的郊狼之间的相互作用。组内最优狼，即中值郊狼，通过公式(41)确定，它是基于所有郊狼社会因子的中位数。郊狼的成长则依据公式(42)，受到当前全局最优狼和随机选择的郊狼影响，通过高斯分布产生的随机数进行更新。 在进化过程中，研究引入了差分进化策略来增强种群的竞争力。变异操作通过选取两个不同的个体，进行差值缩放并结合，形成新的个体（公式43）。交叉算子和随机数决定哪些基因会被保留或替换（公式44）。选择环节则涉及父代和新个体的竞争，优胜者得以保留（公式45）。 然而，原始COA的可操作性受限于多个参数，特别是子组的狼数量和文化趋势。改进的COA中，研究者着重优化了两个关键参数，如狼群密度（或子组大小）和成长频率。在文章中提到，在固定其他参数的情况下，增大狼群密度可以减少成长操作，使得全局解的作用更集中，适合于深度开采；而减小密度则增加成长机会，有利于广泛探索。为了提升算法的灵活性，作者建议将这两个参数动态调整，使其成为100的因子倍数，参考文献[46]可能提供了调整策略的依据。 总结来说，改进的COA算法通过优化参数初始化、群体行为模型和遗传操作，增强了算法的性能和可操作性，使得在实际问题求解中具有更高的效率和稳定性。