---

【获取资源请见文章第5节：资源获取】

---

1. 原始火鹰优化算法

火鹰优化算法（Fire Hawk Optimizer， FHO）是2023年提出的新算法。作者受鸣笛鸢，黑鸢和棕色猎鹰的觅食行为的启发，提出了这个算法。考虑这些鸟，它们在自然界中捕捉猎物的特定行为，特别是通过放火的方式，故命名此算法为火鹰优化算法。火鹰的奇怪行为是故意用嘴叼着燃烧的树枝来传播火焰，作者对它们的爪子进行了检查和分析，以建立一个数学模型。火鹰优化算法分为以下几个阶段：

1.1 种群初始化

1.2 火鹰点火阶段

1.3 猎物移动阶段

2. 改进的火鹰优化算法

2.1 Tent映射种群初始化

混沌序列具有良好的随机性、遍历性和规律性，利用这些特征进行优化、搜索，能够有效地保持种群的多样性，抑制算法陷入局部最优，使全局搜索能力得到加强。研究表明，不同的混沌映射对混沌优化过程的影响很大。目前来说，在优化启发式算法中，用的相对较多的是Logistic混沌映射和Tent混沌映射。Tent映射具有比Logistic映射更好的遍历均匀性和更快的搜索速度。Tent映射的表达式如下：

2.2 非线性复合自适应惯性权重随机抉择策略

在原始FHO算法中，如果某个个体陷入局部最优后，其更新公式在这个局部最优解附近进行搜索，也不易跳出这个局部解，为了提高算法跳出局部最优的能力，提出了这个非线性复合自适应惯性权重随机抉择策略。

提出的自适应权重因子w的图像如下：

3. 部分代码展示

function [Best_score,Best_pos,Curve] = IFHO(nPop,Max_iter,lb,ub,dim,fobj)
% 该算法基于啸鸢、麻鹰和褐隼的觅食行为，这些鸟类被称为火鹰，
% 因为它们在自然界中捕捉猎物的具体行动，特别是通过"放火”的方式。
% 该算法模拟了火鹰的觅食行为，考虑了生火和传火以及捕获猎物的过程。
%% 边界矢量化
VarMin = lb.*ones(1,dim);
VarMax = ub.*ones(1,dim);
%% 算法的一般参数
HN = randi([1 ceil(nPop/5)],1,1) ;      % 火鹰最大数量
%% 初始化阶段
Cost=[];

%% 改进点1：Tent混沌映射初始化种群 %%%%
Pop = initialization_Tent(nPop, dim, ub, lb); 

for i=1:nPop
    % 随机初始化种群
    % Pop(i,:)=unifrnd(VarMin,VarMax,[1 dim]);
    % 计算适应度值
    Cost(i,1)=fobj(Pop(i,:));
end
% 排序找出初始最优
[Cost, SortOrder]=sort(Cost);
Pop=Pop(SortOrder,:);
BestPop=Pop(1,:);
SP=mean(Pop);

% 火鹰
FHPops=Pop(1:HN,:);

% 猎物
Pop2=Pop(HN+1:end,:);

% 火鹰与猎物之间的距离
for i=1:HN
    nPop2=size(Pop2,1);
    if nPop2<HN
        break
    end
    Dist=[];
    for q=1:nPop2
        Dist(q,1)=distance(FHPops(i,:), Pop2(q,:));
    end
    [ ~, b]=sort(Dist);
    alfa=randi(nPop2);
    PopNew{i,:}=Pop2(b(1:alfa),:);
    Pop2(b(1:alfa),:)=[];
    if isempty(Pop2)==1
        break
    end
end

if isempty(Pop2)==0
    PopNew{end,:}=[PopNew{end,:} ;Pop2];
end

% 更新最优解
GB=Cost(1);
BestPos=BestPop;
%% 主循环
Iter=1;
while Iter<=Max_iter
    fprintf('迭代次数：%d\n', Iter);
    Iter=Iter+1;
    PopTot=[];
    Cost=[];

4. 仿真结果展示

5. 资源获取

可更换其他群智能算法，获取完整代码资源。👇👇👇👀名片