一、金鹰优化算法GEO

金鹰优化算法（Golden eagle optimizer，GEO）由Abdolkarim 等人于2020年提出，该算法模拟了金鹰狩猎行为，具有收敛速度快，寻优能力强的特点。

GEO原理参考博客：智能优化算法：金鹰优化算法-附代码_智能算法研学社（Jack旭）的博客-CSDN博客

二、多目标金鹰优化算法MOGEO

MOGEO原理参考文献： Mohammadi-Balani A , MD Nayeri, Azar A , et al. Golden Eagle Optimizer: A nature-inspired metaheuristic algorithm[J]. Computers & Industrial Engineering, 2020, 152:107050.

三、测试函数

参考文献： Zhang Q , Zhou A , Zhao S , et al. Multiobjective optimization Test Instances for the CEC 2009 Special Session and Competition[J]. Mechanical engineering (New York, N.Y.: 1919), 2008.

CEC2009中无约束多目标测试集（UF1-UF10）详情如下：

四、数值实验

MOGEO求解UF1-10，并利用IGD、GD、HV和SP对其评价，种群大小为100，最大迭代次数200。加大迭代次数和加大种群规模效果更佳。

部分实验结果：

4.1 UF2：

IGD:0.074401

GD:0.0059532

HV:0.63396

SP:0.0117

4.2 UF4：

IGD:0.090882

GD:0.0097464

HV:0.32406

SP:0.0084643

4.3 UF6：

IGD:0.50153

GD:0.082518

HV:0.044862

SP:0.019312

4.4 UF8：

IGD:0.30584

GD:0.0052096

HV:0.30763

SP:0.035375

4.5 UF10：

IGD:0.52521

GD:0.18792

HV:0.0026319

SP:0.3134

4.6实验分析：

可以看出MOGEO在多目标问题测试集UF上求解效率较低，改进空间很大。

五、参考代码

源代码中包含MOGEO求解UF1-10所有代码，可以直接运行，并提供MOGEO参考文献。