一、NGO算法简介

北方苍鹰优化算法（Northern Goshawk Optimization，NGO）由MOHAMMAD DEHGHANI等人于2022年提出，该算法，该算法模拟了北方苍鹰捕猎过程（猎物识别和攻击、追逐及逃生）。
苍鹰是中小型猛禽。体长可达60厘米，翼展约1.3米。头顶、枕和头侧黑褐色，枕部有白羽尖，眉纹白杂黑纹；背部棕黑色；胸以下密布灰褐和白相间横纹；尾灰褐，有4条宽阔黑色横斑，尾方形。飞行时，双翅宽阔，翅下白色，但密布黑褐色横带。雌鸟显著大于雄鸟。食肉性，主要以森林鼠类、野兔、雉类、榛鸡、鸠鸽类和其他小型鸟类为食。栖息于不同海拔高度的针叶林、混交林和阔叶林等森林地带，也见于山施平原和丘陵地带的疏林和小块林内。视觉敏锐，善于飞翔。白天活动。性甚机警，亦善隐藏。通常单独活动，叫声尖锐洪亮。见于整个北半球温带森林及寒带森林。

苍鹰是森林中肉食性猛禽。视觉敏锐，善于飞翔。白天活动。性甚机警，亦善隐藏。通常单独活动，叫声尖锐洪亮。在空中翱翔时两翅水平伸直，或稍稍向上抬起，偶尔亦伴随着两翅的煽动，但除迁徙期间外，很少在空中翱翔，多隐蔽在森林中树枝间窥视猎物，飞行快而灵活，能利用短圆的翅膀和长的尾羽来调节速度和改变方向、在林中或上或下，或高或低穿行于树丛问，并能加还飞行速度在树林中追捕猎物，有时也在林缘开阔地上空飞行或沿直线滑翔，窥视地面动物活动，一旦发现森林中的鼠类、野兔、雉类、榛鸡、鸠鸽类和其他中小形鸟类的猎物，则迅速俯冲，呈直线追击，用利爪抓捕猎获物。它的体重虽然比等中型猛禽要轻五分之一左右，但速度要快3倍以上，伸出爪子打击猎物时的速度为每秒钟22.5米，所以捕食的特点是猛、准、狠、快，具有较大的杀伤力，凡是力所能及的动物，都要猛扑上去，用一只脚上的利爪刺穿其胸膛，再用另一只脚上的利爪将其腹部剖开，先吃掉鲜嫩的心、肝、肺等内脏部分，再将鲜血淋漓的尸体带回栖息的树上撕裂后啄食。
北方苍鹰优化算法模拟了苍鹰狩猎过程中的行为，可包含两个阶段：

1.1识别猎物及攻击猎物（全局搜索）

北方苍鹰在狩猎的第一阶段，随机选择猎物，然后迅速攻击它，属于全局搜索阶段，可用以下数学模型进行描述：

1.2追逐及逃生（局部搜索）

在北方苍鹰靠近猎物后，猎物试图逃跑，此时苍鹰将继续追随，防止猎物逃跑，因此采取局部搜索，其数学模型如下：

1.3算法流程

参考文献：
[1] Dehghani M , Hubalovsky S , Trojovsky P . Northern Goshawk Optimization: A New Swarm-Based Algorithm for Solving Optimization Problems[J]. IEEE Access.

二、CEC2005测试简介

CEC2005 测试集共包含 25 个测试问题, 即 $f_1-f_{25}$ 。根据问题的特征, 可进一 步将其分为 4 类: 单峰问题 $f_1-f_5$ , 基本多峰问题 $f_6-f_{12}$ , 扩展多峰问题 $f_{13}-f_{14}$ 和混合复合问题 $f_{15}-f_{25}$ 。特别地, 单峰问题 $f_1-f_5$的结构相对简单, 常被用来测试算法的收 玫性能,；而基本多峰问题 $f_6-f_{12}$ 有多个局部最优解, 用来测试算法对决策空间进行全局 探索和局部开发的平衡能力 ； 扩展多峰和混合复合问题 $f_{13}-f_{25}$ 具有更加复杂的结构, 因而对算法的挑战性更大。此外, 该测试集包含了八组可比较的问题, 可测试算法对不同类型问题特征的性能, 如不同条件数、旋转、噪音干扰、不连续、全局最优邻域形状、全局最优解的位置和种群初始范围等. 由此可见, 该测试集能有效评估算法性能。

参考文献：
[1] Suganthan P N , Hansen N , Liang J J , et al. Problem Definitions and Evaluation Criteria for the CEC 2005 Special Session on Real-Parameter Optimization[J]. Natural Computing, 2005, 341-357.
[2]田梦男. 全局优化问题的高效差分进化算法研究[D].陕西师范大学,2020.

三、实验结果

完整代码添加博客下方博主微信：djpcNLP123

close all
clear 
clc
addpath(genpath(pwd));%加载路径
SearchAgents_no=50; % 种群大小
Function_name=25; %测试函数1-25
Max_iteration=100; % 最大迭代次数
dim=2;%维度 2/10/30/50
Xmin=[-100,-100,-100,-100,-100,-100,0,-32,-5,-5,-0.5,-pi,-3,-100,-5,-5,-5,-5,-5,-5,-5,-5,-5,-5,2];
Xmax=[100,100,100,100,100,100,600,32,5,5,0.5,pi,1,100,5,5,5,5,5,5,5,5,5,5,5];
lb=Xmin(Function_name);%变量下界
ub=Xmax(Function_name);%变量上界
[fMin,bestX,curve]=NGO(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);  
figure
plot(curve,'Color','g')
title(['F' num2str(Function_name)])
xlabel('Iteration');
ylabel('BestScore');
grid on
legend('NGO')
% function_plot(Function_name)%画函数图像
display(['The best solution obtained  is : ', num2str(bestX)]);
display(['The best optimal value of the objective funciton found  is : ', num2str(fMin)]);

部分实验结果：

3.1F1

3.2F2

3.3F3

3.4F4

3.5F5

四、参考代码

完整代码添加博客下方博主微信：djpcNLP123