文章来源于我的个人公众号：KAU的云实验台，主要更新智能优化算法的原理、应用、改进

天鹰优化算法(Aquila Optimizer，AO)是Abualigah等[1]于2021年发表在SCI二区Computers & Industrial Engineering的元启发式优化算法。该算法通过模拟天鹰对不同猎物的不同捕获方法建立数学模型，具有收敛速度快、全局搜索能力强的优点，目前在谷歌学术上引用量达1500+

​

本文KAU将介绍其原理，并分享其MATLAB/Python的实现

00 目录

1 天鹰优化算法(AO)

2 代码目录

3 算法性能

4 源码获取

01 天鹰优化算法(AO)

AO模拟天鹰4种不同的捕食策略建立数学模型，根据搜索空间内解的不同特性，灵活应用不同的搜索策略，具体迭代公式如下：（公式来源于AO算法源文献[1]）

1.1 天鹰优化算法原理

(1) 拓展探索（阶段1）：:垂直俯身高空翱翔

在这一策略中,天鹰从高空飞行,并广泛探索搜索空间，一旦天鹰识别出猎物所在的区域,就进行垂直俯冲。这种行为的数学模型表示为:

其中，Xbest(t)是最佳个体；XM(t)为天鹰群体的平均值；rand为[0,1]之间的随机数；N为群体数；T为最大迭代次数，t为当前迭代次数；L随迭代次数线性递减。

(2) 缩小探索（阶段2）：:短距滑翔攻击的等高飞行

天鹰在目标猎物上空盘旋,准备降落,然后在选定的区域内下降后攻击猎物。AO算法仔细搜索目标猎物(函数)选择的区域,为攻击做准备。这种行为的数学表达式:

其中，XR(t)为第t次迭代种群内的随机一个解；Levy(D)为Levy飞行分布函数，s和β分别等于0.01和1.5的常数，u和v是0-1之间的随机数；y和x为搜索过程中的螺旋形状参数；D为问题维度；r1的值介于1-20之间，表示搜索的次数；U=0.00565；D1为从1-D的整数组成；w为0.005；θ1=1.5pi。

(3) 拓展开发（阶段3）：低空慢速下降攻击

在第三种策略中,当猎物的所在的区域被精准锁定后,天鹰通过垂直下降进行初步攻击来检测猎物的反应。AO开发指定区域来接近并攻击目标猎物(函数)。这种行为表达式:

其中，α 和 δ 为一个确定的较小的开采调整值，值为0.1;BL 为问题的下界值;BU 为问题的上界值。

(4) 缩小开发（阶段4）：游走和抓取猎物

当天鹰接近猎物时,它会追逐猎物并攻击地上的猎物。

其中,x(t)是当前位置;QF(t)表示用于平衡搜索技术的质量函数值;G1表示天鹰在飞行过程中监测猎物时的运动参数,为[-1,1]之间的随机数;G2表示行程中跟随猎物时的飞行斜率,从２下降到０;r6、r7和r8是介于０和１之间的随机数。

以上为天鹰优化算法的所有迭代公式，其算法流程如下：

02 代码目录

包含Matlab、Python文件以及AO算法源文献

代码都经过作者重新注释，代码更清爽，可读性强，其中Readme给出了一些注意：

03 AO算法性能

采用CEC测试函数初步检验其寻优性能

在MATLAB中，执行程序结果如下：

在PYTHON中，执行程序结果如下：

04 源码获取

在**公众号(KAU的云实验台)**后台回复 AO

参考文献

[1] ABUALIGAH L, YOUSRI D, ELAZIZ M A, et al. Aquila optimizer: a novel meta-heuristic optimization algorithm [J].Computers and Industrial Engineering, 2021, 157(10): 50–72.

另：如果有伙伴有待解决的优化问题（各种领域都可），可以发我，我会选择性的更新利用优化算法解决这些问题的文章。

如果这篇文章对你有帮助或启发，可以点击右下角的赞/在看(ง •̀_•́)ง(不点也行)，你们的鼓励就是我坚持的动力！若有定制需求，可私信作者。