冠状病毒优化算法 (COA)
文章背景与核心概要
冠状病毒优化算法（Coronavirus Optimization Algorithm, COA）是一种受自然启发的全新进化框架，专门用于解决箱约束连续全局优化问题。该算法并未简单地模拟 SARS-CoV-2 的生物传播过程，而是将特定的病毒机制转化为复杂的搜索算子，从而构建出一种高效的优化策略。
COA 集成了一系列强大的技术，包括精英引导吸引、试验向量生成、自适应参数调整、停滞恢复以及种群规模调度。通过结合基于对立的学习、current-to-pbest 变异以及成功历史自适应机制，该算法在多种搜索空间中展现了卓越的性能。在 29 个 CEC 2017 基准函数上的实证测试表明，COA 是一种极具竞争力、透明且高效的优化器，尤其在组合函数求解方面表现突出。
冠状病毒优化算法 (COA)
标题： 冠状病毒优化算法：一种具有档案辅助搜索和停滞恢复功能的成功历史自适应进化框架，用于全局优化
作者： Hari Mohan Pandey
日期： 2026年8月24日
标识符： arXiv:2608.23847 [cs.NE]
Title: Coronavirus Optimization Algorithm: A Success-History Adaptive Evolutionary Framework with Archive-Assisted Search and Stagnation Recovery for Global Optimization
Author: Hari Mohan Pandey
Date: August 24, 2026
Identifier: arXiv:2608.23847 [cs.NE]
摘要
冠状病毒优化算法 (COA) 是一种新颖的、受自然启发的进化框架，专为箱约束连续全局优化而设计。该算法并非模拟 SARS-CoV-2 的生物传播，而是将特定的病毒机制转化为复杂的搜索算子。
The Coronavirus Optimization Algorithm (COA) is a novel, nature-inspired evolutionary framework designed for box-constrained continuous global optimization. Rather than modeling the biological transmission of SARS-CoV-2, the algorithm translates specific viral mechanisms into sophisticated search operators.
COA 集成了一套强大的技术，包括精英引导吸引、试验向量生成、自适应参数变化、停滞恢复和种群规模调度。通过将这些技术与基于对立的初始化、current-to-pbest 变异以及成功历史自适应相结合，该算法在不同的搜索空间中保持了高性能。在 29 个 CEC 2017 基准函数上的实证测试表明，COA 是一种极具竞争力、透明且高效的优化器，在组合函数方面表现尤为出色。
COA integrates a robust suite of techniques, including elite-guided attraction, trial-vector generation, adaptive parameter variation, stagnation recovery, and population-size scheduling. By combining these with opposition-based initialization, current-to-pbest mutation, and success-history adaptation, the algorithm maintains high performance across diverse search landscapes. Empirical testing on 29 CEC 2017 benchmark functions demonstrates that COA is a highly competitive, transparent, and efficient optimizer, particularly excelling in composition functions.
关键特性与机制
COA 框架采用多维度的全局优化方法：
The COA framework utilizes a multi-faceted approach to global optimization:
- 搜索算子： 采用精英引导吸引和试验向量生成来导航复杂空间。
- Search Operators: Employs elite-guided attraction and trial-vector generation to navigate complex spaces.
- 自适应控制： 具备成功历史自适应和自适应参数变化功能，可动态调整性能。
- Adaptive Control: Features success-history adaptation and adaptive parameter variation to tune performance dynamically.
- 鲁棒性： 包含停滞恢复和部分重启机制，以防止过早收敛。
- Robustness: Includes stagnation recovery and partial restarts to prevent premature convergence.
- 效率： 实施种群规模调度和外部档案库，以维持多样性和计算效率。
- Efficiency: Implements population-size scheduling and an external archive to maintain diversity and computational efficiency.
- 初始化： 利用基于对立的学习来确保高质量的初始种群。
- Initialization: Utilizes opposition-based learning to ensure a high-quality starting population.
性能评估
该算法在 10、30 和 50 维度下，使用 CEC 2017 基准套件 对 15 种竞争优化器进行了严格的基准测试。
The algorithm was rigorously benchmarked against 15 competitive optimizers using the CEC 2017 benchmark suite at 10, 30, and 50 dimensions.
- 结果： COA 在所有测试维度中均取得了最佳的弗里德曼（Friedman）综合排名。
- Results: COA achieved the best overall Friedman rank across all tested dimensions.
- 优势： 在组合函数上表现出卓越的性能。
- Strengths: Demonstrated superior performance on composition functions.
- 局限性： 作者指出了在某些混合函数上的特定性能限制，并强调了在高维环境中进行进一步验证的必要性。
- Limitations: The author notes specific performance constraints on certain hybrid functions and identifies the need for further validation in high-dimensional environments.
访问与资源
注：这是一份 arXiv 预印本，尚未经过同行评审。不应将其作为临床实践或健康相关行为的依据。
Note: This is an arXiv e-print and has not been peer-reviewed. It should not be relied upon for clinical practice or health-related behavior.