针对由连续变量和分类变量构成的混合变量优化问题（MVOP），采用协同进化策略来对混合变量决策空间进行搜索，提出了一种协同进化蚁群优化算法（CACOA _MV）。CACOA _MV分别采用连续和离散蚁群优化（ACO）策略生成连续和分类变量子种群，通过合作者来对连续和分类变量子向量进行评价，分别对连续和分类变量子种群进行更新来实现对混合变量决策空间的高效协同搜索。进一步地，利用信息素平滑机制增强对分类变量解空间的全局探索能力，并设计了一种面向协同进化框架的“最佳+随机合作者”的重启策略来提高协同搜索效率。与混合变量的蚁群（ACO _MV）算法和种群规模线性变小的差分进化-蚁群混合变量优化算法（L-SHADE _ACO）的比较表明，CACOA _MV能够进行更有效的局部开发，从而提高最终结果在目标空间中的近似精度；与基于集合的混合变量差分进化算法（DE _MV）相比较，CACOA _MV能够在决策空间中更好地逼近全局最优解，具有更好的全局探索能力。综上，采用协同进化机制的CACOA _MV能有效保持全局探索和局部开发的平衡，从而具有更好的寻优性能。