در این تحقیق، یک مدل ترکیبی با استفاده از الگوریتم بهینهسازی آکویلا(Aquila Optimizer) و الگوریتم بهینهسازی کرکس آفریقایی(African Vultures Optimization) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. مرحله اکتشاف(exploration) الگوریتم بهینهسازی آکویلا و مرحله بهرهبرداری(exploitation) از الگوریتم بهینهسازی کرکس آفریقایی ترکیب میشوند تا جستجوی عاملها تقویت شود. لذا کاستیها الگوریتم بهینهسازی کرکس آفریقایی توسط الگوریتم بهینهسازی آکویلا برطرف میشود. سپس، یادگیری مبتنی بر مخالفت برای افزایش تنوع جمعیت و کمک به فرار مدل ترکیبی از بهینه محلی طراحی شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد IEEE CEC2019 انجام شده است. نتایج با الگوریتم بهینهسازی آکویلا و الگوریتم بهینهسازی کرکس آفریقایی مقایسه شده است.
در این تحقیق، یک مدل ترکیبی با استفاده از الگوریتم بهینهسازی آکویلا(Aquila Optimizer) و بهینهسازی خرگوش مصنوعی(Artificial Rabbits Optimization) مبتنی بر یادگیری مخالفت آشوبناک برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. مرحله اکتشاف(exploration) سراسری الگوریتم بهینهسازی آکویلا با مرحله بهرهبرداری(exploitation) محلی بهینهسازی خرگوش مصنوعی ترکیب میشود تا قابلیتهای جستجو تقویت شود. برروی مدل ترکیبی، ده مدل مختلف از نگاشت آشوب تست شده است. آزمایشهای شبیهسازی در محیط متلب 2018 برروی 23 تابع استاندارد IEEE CEC2019 انجام شده است. نتایج با الگوریتم بهینهسازی آکویلا و الگوریتم بهینهسازی خرگوش مصنوعی مقایسه شده است.