陈丹妮，赵剑冬，高 静

(1.广东技术师范大学计算机科学学院，广东 广州 510665；2.广东恒电信息科技股份有限公司，广东 广州 510630)

1 引言

多模态优化问题[1]是指优化的问题存在多个局部或者全局最优解，它普遍存在于我们的生活中，例如图像分割、机械设计和电力系统规划等。目前，群智能优化算法是解决多模态优化问题较为流行的一类方法。遗传算法GA (Genetic Algorithm)[2]、模拟退火SA (Simulated Annealing)算法[3]、粒子群优化PSO (Partical Swarm Optimization) 算法[4]、蚁群优化ACO (Ant Colony Optimization) 算法[5]、萤火虫算法FA (Firefly Algorithm)[6]、布谷鸟搜索CS (Cuckoo Search) 算法[7]、蝙蝠算法BA (Bat Algorithm)[8]、灰狼优化GWO (Grey Wolf Optimizer) 算法[9]、多元宇宙优化MVO (Multi-Verse Optimizer)算法[10]等群智能优化算法均是模拟自然界的现象规律或者生物种群的社会生活而提出的。Salcedo-Sanz[11]通过对大量群智能优化算法的研究，发现优化算法想要取得良好表现的基础是在勘探和探索之间取得平衡。而上述算法在优化过程中较少关注勘探和探索两者间的平衡，这可能限制了它们在多模态问题上的寻优能力。为了弥补上述不足，学者们提出了不少改进方法[12 - 16]，包括混合算法、环拓扑、局部信息和小生境技术等。

Pierezan等[17]受郊狼对生存环境的适应性及其社会结构的启发，在2018年提出了郊狼优化算法COA (Coyote Optimization Algorithm)，该算法为在优化过程中平衡探索和勘探提供了新的机制。郊狼优化算法能有效地处理具有边界约束的连续变量全局优化问题。然而，在现实世界中很多优化问题是多模态的，为了找到多模态问题的全局最优解，要求算法具有跳出局部最优的能力。在多模态情景下，郊狼优化算法的收敛精度和稳定性需要进一步提高。……