金鹰优化算法：一种自然启发的元启发式算法【免费获取Matlab代码】

---

1.背景

2021年，A Mohammadi-Balani基于金鹰狩猎行为启发，提出了金鹰优化算法（Golden Eagle Optimizer, GEO）。

2.算法原理

2.1算法思想

GEO的核心灵感来源于金鹰在狩猎螺旋轨迹的不同阶段调整速度行为。在狩猎的初期阶段，它们更倾向于巡游和搜索猎物，在最后阶段则更倾向于攻击。

2.2算法过程

攻击行为（开发阶段）

攻击行为可以通过一个向量来模拟，该向量起始于金鹰当前的位置，并结束于金鹰记忆中猎物的位置:
$${\vec{A}}_i={\vec{X}}_f^{\ast }-{\vec{X}}_i\text{\hspace{1em}(1)}$$

巡航行为（探索行为）

巡航行为则基于攻击向量计算得出，巡航向量是一个切向量，位于与攻击向量垂直的圆的切线超平面内。这个巡航向量不仅代表金鹰的位置变化，也反映了金鹰相对于猎物的线速度。此外，计算巡航向量需要首先确定切线超平面的方程，这可以通过超平面上的任意点和垂直于超平面的法向量来确定:
$$h_1{x}_1+h_2{x}_2+...+h_n{x}_n=d\Rightarrow \sum _{j=1}^n{h}_j{x}_j=d\text{\hspace{1em}(2)}$$

位置更新

金鹰位置更新:
$$\Delta x_i={\vec{r}}_1{p}_a\frac{{\vec{A}}_i}{\Vert {\vec{A}}_i\Vert }+{\vec{r}}_2{p}_c\frac{{\vec{C}}_i}{\Vert {\vec{C}}_i\Vert }\text{\hspace{1em}(3)}$$
其中，攻击系数pa，巡航系数pc调整了金鹰攻击和巡航的影响。攻击向量和巡航向量的欧几里得范数表述为:
$$\Vert {\vec{A}}_i\Vert =\sqrt{\sum _{j=1}^n{a}_j^2},\Vert {\vec{C}}_i\Vert =\sqrt{\sum _{j=1}^n{c}_j^2}\text{\hspace{1em}(4)}$$

探索到开发过渡

金鹰在狩猎飞行的初始阶段表现出更高的巡航倾向，在最后阶段表现出更高的攻击倾向。GEO使用pa和pc来从探索转向开发:
$$\{\begin{array}{l}{p}_a=p_a^0+\frac{t}{T}|p_a^T-p_a^0|\\ p_c=p_c^0-\frac{t}{T}|p_c^T-p_c^0|\end{array}\text{\hspace{1em}(5)}$$

伪代码

3.结果展示

4.参考文献

[1] Mohammadi-Balani A, Nayeri M D, Azar A, et al. Golden eagle optimizer: A nature-inspired metaheuristic algorithm[J]. Computers & Industrial Engineering, 2021, 152: 107050.

5.代码获取