基于非线性自适应的改进浣熊优化算法及应用

摘要

针对浣熊优化算法(coati optimization algorithm, COA)全局搜索能力不足、易陷入局部最优和收敛速度慢的问题，提出一种基于非线性自适应的改进浣熊优化算法(improved coati optimization algorithm based on nonlinear adaptation, NACOA)。采用Logistic-Tent映射初始化浣熊种群，提升算法初始搜索空间覆盖度，生成更加分散且高质量的初始解；引入莱维飞行策略，利用其长跳跃特性，增强算法的全局搜索能力，有效避免算法陷入局部最优；利用非线性递减惯性权重提高种群的适应性与搜索效率，平衡全局搜索和局部搜索能力，并通过黄金正弦策略提高种群收敛精度。在基准测试函数上进行对比仿真试验，结果表明NACOA具有更好的收敛速度和寻优精度。将NACOA应用到工程问题设计中，证明了该算法的有效性和实用性。

关键词

浣熊优化算法 / Logistic-Tent映射 / 非线性递减惯性权重 / 黄金正弦策略 / 工程应用