【智能算法】天鹰优化算法（AO）原理及实现

---

1.背景

2021年，L Abualigah等人受到天鹰猎食过程启发，提出了天鹰优化算法（Aquila Optimizer，AO）。

2.算法原理

2.1算法思想

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。

2.2算法过程

扩展探索阶段：

在第 1 个阶段，天鹰通过垂直俯身的高空翱翔搜索猎物并选择搜索区域:
$$\begin{gathered} X_1\left(t+1\right)=X_{\mathrm{best}}\left(t\right)\times \left(1-\frac{t}{T}\right)+\left(X_{\mathrm{M}}\left(t\right)-X_{\mathrm{best}}\left(t\right)\times \mathrm{rand}\right). \\ {X}_{\mathrm{M}}\left(t\right)=\frac{1}{N}\sum _{i=1}^N{X}_i\left(t\right).\text{\hspace{1em}(1)} \end{gathered}$$

缩小探索阶段：

模拟天鹰短滑翔攻击行为：
$$X_2\left(t+1\right)=X_{\mathrm{best}}\left(t\right)\times \mathrm{Levy}\left(D\right)+X_{\mathrm{R}}\left(t\right)+\left(y-x\right)\times \mathrm{rand}\times 1.\text{\hspace{1em}(2)}$$
x,y代表螺旋飞行：
$$\begin{gathered} y=rcos(\theta ) \\ x=rsin(\theta ) \\ r=r1+U{D}_1 \\ \theta =-\omega D_1+3\pi /2\text{\hspace{1em}(3)} \end{gathered}$$

扩大开发阶段：

模拟天鹰的低空慢降攻击：
$$\begin{array}{c}{\mathbf{X}}_3(t+1)=\alpha \left({\mathbf{X}}_{\mathrm{best}}\left(t\right)-{\mathbf{X}}_{\mathrm{M}}\left(t\right)\right)-\mathrm{rand}\times 1+\delta ((U-L)\times \mathrm{rand}+L)\times 1.\end{array}\text{\hspace{1em}(4)}$$

缩小开发阶段：

模拟天鹰行走及狩猎地面上移速较慢的生物：
$$\begin{array}{c}{X}_4\left(t+1\right)=Q_{\mathrm{F}}\times X_{\mathrm{best}}\left(t\right)-G_1\times \bar{X}\left(t\right)\times \mathrm{rand}-G_2\times \mathrm{Levy}\left(D\right)\times 1+\mathrm{rand}\times G_1\times 1.\end{array}\text{\hspace{1em}(5)}$$
其中，参数表述为：
$$\begin{gathered} Q_{\mathrm{F}}(t)=t^{(2\times \mathrm{mnd}-1)/(1-T{)}^2}. \\ {G}_1=2\times \mathrm{rand}=1. \\ {G}_2=2\times (1-t/T).\text{\hspace{1em}(6)} \end{gathered}$$

伪代码：

3.结果展示

4.参考文献

[1] Abualigah L, Yousri D, Abd Elaziz M, et al. Aquila optimizer: a novel meta-heuristic optimization algorithm[J]. Computers & Industrial Engineering, 2021, 157: 107250.