一、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）。

二、算法原理

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：

2.1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：

2.2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：

三、算法流程

四、数值实验

将北方苍鹰优化算法的优良策略与多目标优化思想结合，形成多目标北方苍鹰优化算法（MONGO），为了验证所提的MONGO的有效性，将其在46个多目标测试函数（ZDT1、ZDT2、ZDT3、ZDT4、ZDT6、DTLZ1-DTLZ7、WFG1-WFG10、UF1-UF10、CF1-CF10、Kursawe、Poloni、Viennet2、Viennet3）以及1个工程应用（盘式制动器设计）上实验。

4.1函数测试

部分测试函数结果：

ZDT2：

ZDT4：

ZDT6：

DTLZ6：

4.2工程应用

盘式制动器设计

MONGO求解结果：

4.3评价指标

五、源代码

源文件夹包含MONGO所有代码（含46个多目标测试函数+1个工程应用+4种评价指标）以及原始文献。代码可直接运行，支持二次开发。MONGO原理简单，思路新颖，算法高效，值得推荐。