2021年智能优化算法：天鹰优化器AO-附MATLAB代码

1 算法原理简介

天鹰优化器（Aquila Optimizer, AO）是一种新型智能优化算法，由Laith Abualigah等于2021年提出。该算法具有多个探索和开发策略，实验表明，与其他的元启发式算法相比，天鹰优化器算法具有明显的优越性。该算法的灵感源自北美洲Aquila鸟捕食过程中的四个群体行为：1. 通过垂直高翱翔扩大搜寻范围，在飞行中狩猎鸟类；2. 通过短滑翔攻击的轮廓飞行，在靠近地面的低水平空中攻击猎物；3.通过低空飞行和慢下降逐渐攻击猎物；4. 通过俯冲在陆地上行走和抓取猎物。

与其他的动物园优化算法相似，天鹰优化器也是基于群体智能算法，因此在建立数学模型时，需要先随机初始化种群的位置矩阵X：

$$X=\left[\begin{array}{ccccc}{x}_{1,1}& \cdots & x_{1,j}& x_{1,\mathrm{Dim}-1}& x_{1,Dim}\\ x_{2,1}& \cdots & x_{2,j}& \cdots & x_{2,Dim}\\ \cdots & \cdots & x_{i,j}& \cdots & \cdots \\ ⋮& ⋮& ⋮& ⋮& ⋮\\ x_{N-1,1}& \cdots & x_{N-1,j}& \cdots & x_{N-1,Dim}\\ x_{N,1}& \cdots & x_{N,j}& x_{N,Dim-1}& x_{N,Dim}\end{array}\right]$$

$$X_{ij}=\mathrm{rand}\times \left(U{B}_j-L{B}_j\right)+L{B}_j,i=1,2,\dots ..,Nj=1,2,\dots ,\mathrm{Dim}$$

式中，N表示种群规模，Dim表示搜索空间的维度。

1.1 扩大探索阶段

在第一阶段中， Aquila鸟群通过垂直高翱翔扩大搜寻范围，在飞行中狩猎鸟类，该部分的数学公式为：
$$X_1(t+1)=X_{best}(t)\times \left(1-\frac{t}{T}\right)+\left(X_M(t)-X_{best}(t)\ast \text{ rand }\right)$$

$$X_M(t)=\frac{1}{N}\sum _{i=1}^N{X}_i(t),\forall j=1,2,\dots ,\mathrm{Dim}$$

式中，X(t)和X(t+1)分别表示AO算法在第t次迭代和第t+1次迭代中的个体位置，Xbest(t)表示到第t次迭代为止算法获得的最佳个体为止，Xm(t)表示第t次迭代时的种群平均位置，T表示算法最大的迭代次数。

1.2 缩小探索阶段

在第二阶段中，当Aquila鸟群在高空中发现猎物时，鸟群会在目标猎物上方螺旋绕圈，准备着陆，然后进行攻击，数学公式为：

$$X_2(t+1)=X_{best}(t)\times \mathrm{Lev}y(D)+X_R(t)+(y-x)\ast \text{ rand }$$

式中，$Levy(D)$表示莱维飞行分布策略，s是常数，取0.01，u和v是0到1之间的随机数，

$$\mathrm{Levy}(D)=s\times \frac{u\times \sigma }{|v{|}^{\frac{1}{\beta }}}$$

$$\sigma =\left(\frac{\Gamma (1+\beta )\times \sin e\left(\frac{\pi \beta }{2}\right)}{\Gamma \left(\frac{1+\beta }{2}\right)\times \beta \times 2^{\left(\frac{\beta -1}{2}\right)}}\right)$$

$x,y$表示螺旋飞行的形状，
$$\begin{array}{c}y=r\times \cos (\theta )\\ x=r\times \sin (\theta )\\ r=r_1+U\times D_1\\ \theta =-\omega \times D_1+{\theta }_1\\ \theta 1=\frac{3\times \pi }{2}\end{array}$$
式中，r是搜索步长，取值范围在1到20之间，U取0.00565，ω取0.005

1.3 扩大开发阶段

在第三个阶段中，当Aquila鸟处于猎物区域，准备好着陆和攻击时，将采取垂直下降的方法进行初步攻击，数学公式为：
$$\begin{array}{c}{X}_3(t+1)=\left(X_{\text{best }}(t)-X_M(t)\right)\times \alpha -\text{ rand }+\\ ((UB-LB)\times \text{ rand }+LB)\times \delta \end{array}$$

式中，$\alpha 和\delta$表示开发调整参数，取较小值(0.1)

1.4 缩小开发阶段

在这个阶段中，Aquila鸟接近猎物，以及向猎物发起带有一定随机性的攻击，行走和抓取猎物的数学公式为：
$$\begin{array}{c}{X}_4(t+1)=QF\times X_{\text{best }}(t)-\left(G_1\times X(t)\times \text{ rand }\right)-G_2\times \text{ Levy }(D)+\\ \text{ rand }\times G_1\end{array}$$

式中，$QF(t)$表示用于平衡搜索策略的质量函数值G1表示在追踪猎物过程中AO的各种运动，G2表示线性递减的飞行斜率值，范围是[0, 2]，相关参数的计算公式如下，

$$\begin{array}{c}QF(t)=t^{\frac{2\times \text{ rand }()-1}{(1-T{)}^2}}\\ G_1=2\times \mathrm{rand}()-1\\ G_2=2\times \left(1-\frac{t}{T}\right)\end{array}$$

2 算法流程

1. 初始化算法参数，包括种群规模，最大迭代次数$T$，探索和开发参数$\alpha 、\delta$

2. 初始化种群位置X，初始的种群适应度，最佳个体

3. 当$t<T$时，AO开始循环：

4. 扩大探索阶段，计算种群的平均位置，更新种群位置$X_1(t+1)$

5. 缩小探索阶段，更新种群位置$X_2(t+1)$

6. 扩大开发阶段，更新种群位置$X_3(t+1)$

7. 缩小开发阶段，更新种群位置$X_4(t+1)$

8. 计算更新种群的适应度，得到当前最佳个体位置和适应度

9. 比较当前最佳个体与到第$t$代找到的最佳个体适应度，保留较优的个体位置

10. 判断满足算法终止条件，如果不满足，则重复执行步骤4-9

11. 跳出循环，输出最优解和最佳适应度

3 MATLAB代码结果

优化目标(Sphere单峰函数)：

$$f(x)=\sum _{i=1}^D{x}_i^2$$

优化结果：

参考资料：Abualigah，L.，Yousri，D.，Elaziz，MA，Ewees，AA，A。Al-qaness，MA，Gandomi， AH，Aquila Optimizer：一种新颖的元启发式优化算法，计算机与工业工程（2021年），doi： https ： //doi.org/10.1016/j.cie.2021.107250

源代码可在Researchgate上找到： https : //www.researchgate.net/publication/350411564_Matlab_Code_of_Aquila_Optimizer_A_novel_meta-heuristic_optimization_algorithm

如需获取笔者编写的MATLAB代码，请订阅以下CSDN专栏《最优化方法》的文章：

2021年若干个智能优化算法简介-附MATLAB代码 文章集锦

CSDN《最优化方法》专栏文章地址：https://blog.csdn.net/qq_45955094/category_11224070.html

《最优化方法》专栏内包含天鹰优化器(AO)，非洲秃鹫优化算法(AVOA)、蜜獾算法(HBA)、澳洲野狗优化算法(DOA)、材料生成算法(MGA)等2021年优化算法介绍和笔者编写的MATLAB代码，以及粒子群算法(PSO)、哈里斯鹰算法(HHO)、灰狼优化算法(GWO)等经典优化算法介绍与编程