一、浣熊优化算法COA
浣熊优化算法（Coati Optimization Algorithm，COA）由Dehghani Mohammad等人于2022年提出的模拟浣熊狩猎行为的优化算法，该算法具有进化能力强，收敛速度快，收敛精度高等特点。
COA具体原理如下： 智能优化算法：浣熊优化算法-附代码_智能算法研学社（Jack旭）的博客-CSDN博客
参考文献：Dehghani Mohammad, Montazeri Zeinab, Trojovská Eva, Trojovský Pavel. Coati Optimization Algorithm: A new bio-inspired metaheuristic algorithm for solving optimization problems[J]. Knowledge-Based Systems,2023,259.
二、非支配排序的浣熊优化算法NSCOA
多目标优化算法：基于非支配排序浣熊优化算法NSCOA - 知乎 (zhihu.com)
非支配排序的浣熊优化算法（Non-Dominated Sorting Coati Optimization Algorithm，NSCOA）由COA融合非支配排序策略而成，为了验证所提的NSCOA的有效性，将其在46个多目标测试函数（ZDT1、ZDT2、ZDT3、ZDT4、ZDT6、DTLZ1-DTLZ7、WFG1-WFG10、UF1-UF10、CF1-CF10、Kursawe、Poloni、Viennet2、Viennet3）以及1个工程应用（盘式制动器设计）上实验，并采IGD，GD，HV，SP四种评价指标进行评价。
部分代码：
close all;
clear ;
clc;
%%
% TestProblem测试问题说明：
%一共46个多目标测试函数，详情如下：
%1-5:ZDT1、ZDT2、ZDT3、ZDT4、ZDT6
%6-12：DZDT1-DZDT7
%13-22：wfg1-wfg10
%23-32：uf1-uf10
%33-42：cf1-cf10
%43-46:Kursawe、Poloni、Viennet2、Viennet3
%47 盘式制动器设计 温泽宇,谢珺,谢刚,续欣莹.基于新型拥挤度距离的多目标麻雀搜索算法[J].计算机工程与应用,2021,57(22):102-109.
%%
TestProblem=1;%1-47
MultiObj = GetFunInfo(TestProblem);
MultiObjFnc=MultiObj.name;%问题名
% Parameters
params.Np = 100; % Population size
params.Nr = 200; % Repository size
params.maxgen =100; % Maximum number of generations
numOfObj=MultiObj.numOfObj;%目标函数个数
D=MultiObj.nVar;%维度
f = NSCOA(params,MultiObj);
X=f(:,1:D);%PS
Obtained_Pareto=f(:,D+1:D+numOfObj);%PF
if(isfield(MultiObj,'truePF'))%判断是否有参考的PF
True_Pareto=MultiObj.truePF;
%% Metric Value
% ResultData的值分别是IGD、GD、HV、Spacing (HV越大越好，其他指标越小越好)
ResultData=[IGD(Obtained_Pareto,True_Pareto),GD(Obtained_Pareto,True_Pareto),HV(Obtained_Pareto,True_Pareto),Spacing(Obtained_Pareto)];
else
%计算每个算法的Spacing，Spacing越小说明解集分布越均匀
ResultData=Spacing(Obtained_Pareto);%计算的Spacing
end
%%
disp('Repository fitness values are stored in Obtained_Pareto');
disp('Repository particles positions are store in X');部分结果：
