L'Algorithme d'Optimisation Coati (COA) est un algorithme métaheuristique récemment développé, s'inspirant des tactiques astucieuses utilisées par les Coatis lorsqu'ils attaquent les Iguanes ainsi que de leurs stratégies pour faire face aux prédateurs et les éviter. Cet algorithme a montré un niveau d'efficacité louable par rapport à divers autres algorithmes métaheuristiques. Ses métriques de performance indiquent qu'il surpasse de nombreuses alternatives en termes d'efficacité et de résultats. Pour surmonter des défis tels que le déséquilibre entre les phases d'exploration et d'exploitation et éviter d'être piégé dans des optima locaux pour résoudre des problèmes d'optimisation complexes, une technique innovante connue sous le nom de "Apprentissage Amélioré Basé sur l'Opposition" (EOBL) a été intégrée à l'algorithme COA. Cette technique s'inspire des méthodes d'Apprentissage Basé sur l'Opposition Aléatoire et peut influencer efficacement l'équilibre entre les phases d'exploration et d'exploitation. L'Algorithme d'Optimisation Coati Amélioré (EOBCOA) est un nouvel algorithme métaheuristique proposé pour améliorer les performances du COA. Cette méthode a été appliquée sur des fonctions de référence standard pour améliorer l'algorithme d'optimisation proposé. Pour évaluer l'efficacité de la méthode EOBCOA proposée, elle a été testée sur des fonctions de référence standard, y compris IEEE CEC2005, IEEE CEC2019, et sept problèmes d'ingénierie. Les résultats montrent que la méthode EOBCOA surpasse d'autres algorithmes avancés dans l'atteinte de l'optimisation globale.
Shadravan et al. (Mercredi,) ont étudié cette question.