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.