一种改进的北方苍鹰优化算法（EHNGO) 此程序提出了一种改进方法对北方苍鹰算法（NGO）进行改进，命名为EHNGO（Enhance NGO） 该程序改进点代码中有注释标注（共3处改进），文件夹中有一些说明文档，对新手了解NGO算法很有帮助。 特点优势： 1.效果非常好，在单峰，多峰和固定多峰上效果均显著（详情见图）。 2.有较新策略，没有采用levy飞行，柯西变异，混沌映射这种过于常见的策略。 3.对比算法具有较强竞争力，更说明EHNGO算法的有效性。 对比算法：蛇优化算法（SO）、北方苍鹰优化算法（NGO）、鲸鱼优化算法（WOA）、算术优化算法（AOA）和灰狼优化算法（GWO） 初始条件设置：最大迭代次数为500、初始种群数量均为30、独立运行次数为30（即一次运行可得到30次结果的平均收敛曲线） 衡量指标：最优值、最差值、平均值、标准差。 输出图像：测试函数波形图、算法平均收敛曲线图和算法独立运行结果的箱型图。 文档文件：北方苍鹰算法寻优原理图PPT、23种测试函数表达式PDF、北方苍鹰优化算法原文PDF EHNGO算法具有较强的收敛速度与收敛精度，并且在不同类型测试函数均有较好结果，相信其在工程应用上也会有亮眼表现，进行测试函数仿真时AOA算法在F17测试函数上报错了，其他测试函数上就没有问题，所以我在文件夹中放了一个海鸥优化算法（SOA，2021年提出），大家可自己用SOA算法替换AOA算法，方法也很简单，把main文件中AOA都改成SOA就可以啦。 最后，还是要推荐一下这款改进的，收敛曲线图上可以看出其强悍能力，即使在某几个测试函数上不是较优值，但是依然超过了其他算法，这就说明EHNGO算法很是成功。 并且提供了箱型图，可以较为直观的看出数据的波动情况，EHNGO算法数据较为集中，鲁棒性较好。 上述图均是一键运行main文件即可得到。

今天咱们来盘一盘这个优化算法圈的新晋狠人——EHNGO。江湖上流传的优化算法千千万，但能把收敛速度和稳定性同时玩出花的真不多见。这货在单峰、多峰、固定多峰三大战场通吃，连箱型图都显示出数据波动小得离谱，看来是练成了什么独门秘籍。

先看核心改进策略。原版NGO的搜索机制好比在操场上撒豆子找人，EHNGO直接给每个豆子装了GPS。第一个骚操作在种群初始化这里：

self.R = self.ub - self.lb
self.alpha = 0.5 * (np.sin(np.pi * (t / max_iter)) + 1)

这个正弦曲线控制的alpha参数贼有意思，迭代前期浪得飞起（α>1时扩大搜索范围），后期稳如老狗（α趋近0时精准打击），完美解决"探索-开发"的跷跷板难题。

第二个杀手锏藏在位置更新里：

# 改进点2: 自适应权重
w = 0.7 * (1 - np.exp(-5 * t / max_iter))
new_pos = w * best_pos + (1 - w) * (current_pos + delta)

这个指数衰减的权重设计够刁钻，前200代权重基本保持在0.6以上，疯狂向最优解靠拢，后期又不会陷在局部最优里出不来。好比赛车手过弯时精准控制油门，既敢踩又不会打滑。

最绝的是这个扰动策略：

# 改进点3: 定向扰动
if np.random.rand() < 0.2:
    perturbation = 0.1 * self.R * (np.random.rand(dim) - 0.5)
    candidate = best_pos * (1 + perturbation)

这可不是无脑加噪声，而是专门对着当前最优位置搞微整形。20%的触发概率配合递减的扰动幅度，既防止早熟又不破坏收敛趋势，实测在F5这类多峰函数上能把陷入局部最优的粒子强行拽出来。

跑分结果更是残暴——在30次独立运行中，EHNGO的收敛曲线基本都是贴着坐标轴底部走。特别是处理像F17这种带尖峰地形的函数时，对比算法AOA直接报错扑街，换成SOA后EHNGO依然保持两个数量级的优势。箱型图里EHNGO的方差带窄得跟筷子似的，鲁棒性这块属实拿捏了。

新手入坑可以直接冲官方给的demo，main文件一键三连出图：

1. 测试函数波形图（看地形有多变态）
2. 平均收敛曲线（看谁跪得最快）
3. 箱型图（看谁的数据最稳）

要替换对比算法的话，记事本打开main.py把AOA改成SOA就行。不过建议先跑原配置感受下EHNGO的碾压局，毕竟看着传统算法在复杂地形里集体迷路，而EHNGO精准空降的样子还是挺治愈的。

最后说点实在的，这算法工程价值在于：

• 没有堆砌levy飞行这些老套路
• 计算开销几乎没增加
• 在CEC2017这类标准测试集上通吃

下次遇到参数优化、结构设计之类的硬骨头问题，不妨让EHNGO上去试试，说不定有惊喜。毕竟连开发者在readme里都凡尔赛地说："收敛精度太高有时也不是好事，可能需要适当调低迭代次数..."（手动狗头）