CCGC，循环的方式解决优化子问题，每个子问题分配同样多的计算资源。

【算法过程】：
n:变量数，N：子种群规模.
b：当前优化解，：适应值.
Step1问题分解，n维解向量分解为n个1维子部分；
Step2随机初始化子种群P和解向量b；
Step3进化（循环）；
3.1生成后代子种群§，每个子问题都含进化算子
3.2个体适应值评估
计算子种群个体适应值：
If CCGA-2
If then
3.3更新解向量
If ，then .
3.4选择下一代子种群：.

变量分组策略：
A.静态变量分组：每组变量数相等且固定.
B.随机变量分组：每组变量数可以动态修改，变量随机选择.
C.基于交互学习的变量分组：变量关联分组，组件变量不相关.
D.基于领域知识的变量分组：以领域知识为依据进行变量分组.
E.重叠和层次变量分组：多个分组共享一个变量，组间关联小.
F.混合变量分组：多种分组策略组合，对某些特定问题效果更好.

策略涉及两个主要因素：协作者选择压力，协作者池规模。
单目标优化问题SOPs的协作者选择策略。
多目标优化问题MOPs的协作者选择策略。

A.个体适应值分配：依据个体与其他子种群在组成完整解决方案时的协作程度.
a.以多个完整解决方案的适应值来评估个体适应值，可以取最佳值、平均值或最差值.
b.Pareto dominance techniques（帕累托优势技术），以双亲个体适应值的加权平均值估计后代个体的适应值.
c.启发式估计方法.
B.子问题计算资源分配.
a. Round-Robin strategy（循环策略），每个子问题分配等量计算资源，应用最为广泛.
b.子问题计算资源不均衡分配.

CCEAs以元启发式算法实现：调整“分而治之”的策略，提高性能.
以元启发式算法DE和PSO（最广泛使用）实现的CCEAs适用连续优化问题.
以ACO为基础的CCEAs适用组合优化问题.
CCEAs以并行方式实现：多目标优化，提高效率.

A.CCEAs标准测试问题
早期：连续优化函数，Rastrigin，Schwefel，Griewangk和Ackley问题.
简化测试：pseudo-Boolean problems（伪布尔问题）.
逐步引进一些大规模优化问题，博弈论、多机器人系统、N-K景观问题.
B.CCEAs理论分析
针对伪布尔问题
C.CCEAs控制参数
子部分数目：取决于问题本身和变量分组策略.
子种群规模：
计算资源分配：适应值评估数量，U in CCFR，平衡因子.

错误的问题分解会产生不可估测的病理性问题.
算法本身具有不确定性因素，对协作者的不同选择可能会产生迥异的问题解决方案.

A.连续优化问题：处理不可行个体（惩罚函数），子种群保持多样性.
B.组合优化问题：旅行商问题，路径规划问题，着色问题等.

1）.子问题优化器.
2）.BCD数学算法（与CCEAs样式相近）.
3）.CCEAs理论分析（初级阶段）.
4）.模拟具有不同类型生态关系的物种的共同进化.
5）.将进化博弈论EGT用于研究CCEAs.