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.
در این تحقیق یک مدل ترکیبی آشوبناک برمبنای الگوریتم سینوس کسینوس(SCA) با الگوریتم بهینهسازی شاهین هریس(HHO) برای حل مسائل بهینهسازی پیوسته پیشنهاد شده است. برای بهبود الگوریتم سینوس کسینوس از الگوریتم بهینهسازی شاهین هریس استفاده شده است. الگوریتم بهینهسازی شاهین هریس قابلیت همگرایی سریع در رسیدن به راه حل بهینه دارد. از سوی دیگر، برای جلوگیری از به دام افتادن در بهینه محلی از نگاشت آشوب به منظور متنوعتر کردن افراد جمعیت در مدل ترکیبی استفاده شده است. آزمایشهای شبیهسازی در محیط متلب 2017 برروی 27 تابع استاندارد CEC 2014 انجام شده است. نتایج شبیهسازی با الگوریتم بهینهسازی شاهین هریس و الگوریتم سینوس کسینوس مقایسه شده است.