先做一个声明：文章是由我的个人公众号中的推送直接复制粘贴而来，因此对智能优化算法感兴趣的朋友，可关注我的个人公众号：启发式算法讨论。我会不定期在公众号里分享不同的智能优化算法，经典的，或者是近几年提出的新型智能优化算法，并附MATLAB代码。
火鹰优化(Fire Hawk Optimizer, FHO)算法是一种基于黑鸢(Milvus migrans)、啸栗鸢(Haliastur sphenurus)和褐隼(Falco berigora)的觅食行为提出的进化算法。严格来说，应该叫火鹰优化器。作者为了检验性能，总共使用了十种不同的经典和新的元启发式算法作为对比算法。实验结果表明，FHO算法比文献中比较的算法具有更好的性能。它的原始参考文献如下：
“Azizi M, Talatahari S, Gandomi A H. Fire Hawk Optimizer: A novel metaheuristic algorithm[J]. Artificial Intelligence Review, 2023, 56(1): 287-363.”
01
灵感来源
研究人员在研究澳洲野火扑灭的过程中发现，有一些老鹰会叼着着火的木棒往没有着火的地方扔。老鹰通过叼着一只燃烧的火棍，寻找猎物的踪迹，一旦发现猎物就抛下口中燃烧的火棍，使那些昆虫和小型哺乳动物用于藏匿的树林和草丛着火，当猎物纷纷出逃时，老鹰就会乘机捕猎。
不仅如此，当老鹰经过火场时，还会将没有燃烧的木棍丢进去，点燃后就捡走，到别处进行“趁火打劫”，这一过程如同奥运会传递圣火一般，但其实它们是在纵火，当地原住民称它们为“火鹰”。火鹰不仅仅是指一种鸟类，而是三种常见的鹰类：黑鸢、啸栗鸢、褐隼。这三种鹰类体积不大，体长只有40-50厘米，翼展110厘米左右，体重约在500-800克之间。一旦火鹰们纵火成功，有些会去捕捉慌乱出逃的猎物，然而更聪明的火鹰会在附近静静地等待，一旦火被扑灭，它们就会奋勇冲刺，享受这盛大的“烤肉自助餐”。这便是火鹰的觅食行为。图1显示了这些鸟在火周围的行为。
图1 火鹰在火场周围的行为
因此，FHO算法正是通过模拟火鹰的这种捕食方式而得到的。
02
算法设计
与往期推送一样，目前我还不会在公众号里编辑数学公式。因此，这部分内容在Word文档里先写好，然后做成图片，最后导入。
03
计算流程
FHO算法的计算流程如图2所示：
图2 FHO算法计算流程
04
实验仿真
对FHO算法的性能进行简单的测试。将FHO算法用于函数寻优，它的MATLAB程序严格按照原始参考文献进行编写。此外，种群规模N为50，最大迭代次数T取1000，Benchmark函数采用的是CEC2005测试集。
这里以CEC2005测试集中的单峰函数Sphere (f1)和多峰函数Ackley (f10)为例，展示FHO算法在30维环境下的收敛效果，对比算法选择了灰狼优化(GWO)、鲸鱼优化(WOA)、人工电场算法(AEFA)、蜣螂优化(DBO)和金豺优化(GJO)。如图3所示，这里就不再做进一步的分析了。
(a) f1
(b) f10
图3 6种进化算法的收敛曲线对比
其次，我们来检验一下FHO算法对全局勘探和局部开发的平衡能力。如图4所示，是FHO算法在CEC2005测试函数f7上的勘探和开发占比曲线。可以看到，FHO算法能在勘探和开发之间达到动态平衡，且Exploitation占比最后达到了90%。
图4 FHO在CEC2005 f7上的勘探和开发百分占比变化曲线
05
MATLAB代码
FHO算法的MATLAB代码可通过复制下方链接进入获得。代码严格按照原始参考文献编写，附有详细注释。
（公众号里有，关注公众号：启发式算法讨论）
FHO算法的勘探(Exploration)和开发(Exploitation)占比分析：
（公众号里有，关注公众号：启发式算法讨论）