连续优化算法评测平台
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
COCO（COmparing Continuous Optimizers）是一个用于系统化、可靠比较连续与混合优化算法的软件平台，重点服务黑箱优化 benchmark。它提供 benchmark 函数测试床、易于并行化的实验模板，以及对一个或多个优化器生成数据进行后处理和可视化的工具。平台与 BBOB workshops、GECCO 多届会议以及 CEC’2015 有使用关联，学术背景较强。
从正文看，COCO 的核心不只是函数集合，而是覆盖“实验—数据—后处理—展示—归档”的完整评测流程。测试套件包括 bbob、bbob-biobj、bbob-constrained、bbob-largescale、bbob-noisy、mixint 等，并列出 Sphere、Rastrigin、Rosenbrock、Schwefel、Gallagher 等多类函数。它还提供官方注册 benchmark 实验数据归档、后处理数据浏览、数据集提交说明和结果发布入口，适合做可复现的算法横向比较。
正文明确列出 cocopp Python API、cocoex Python API 和 Core cocoex C API，说明 Python 与 C 是主要接口。源码开发页位于 GitHub，当前生产代码来自 2014-2015 年重写后的版本。平台还提供论文引用、方法论参考和数据流图，文档偏学术研究与评测规范，而不是面向业务工程的快速上手型文档。
页面未给出商业定价、付费计划或支付方式，也未明确许可证。正文提到源码在 GitHub 页面可用，因此可判断其对开发者开放源码获取入口，但不能据此确认具体开源协议。自托管方面，正文没有直接说明，仅能确认其支持本地实验、后处理和数据归档相关工作流。
优点是评测方法论成熟、测试套件丰富、结果可视化和数据归档完整，尤其适合优化算法研究者、进化计算团队、需要发表或复现 BBOB 结果的用户。局限是领域很垂直，对普通应用开发者价值有限；新手可能需要阅读 Getting Started、API 文档和相关论文才能理解评测指标与流程。
正文没有提供中国大陆访问、镜像或网络可用性信息，GitHub 源码访问在国内也可能因网络环境而不稳定，因此中国访问状态记为未知。若访问受限，可考虑 Nevergrad、IOHprofiler、DEAP、Optuna 或 SciPy optimize 等替代或补充工具。
本测评基于公开资料整理,不构成购买建议,请以 coco-platform.org 官网实际信息为准。
科研算法基准工具，适合优化算法研究。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。