阿奎拉鹰优化算法(Aquila　optimizer,　AO)和哈里斯鹰优化算法(Harris　hawks　optimization,　HHO)是近年提出的优化算法。AO算法全局寻优能力强，但收敛精度低，容易陷入局部最优，而HHO算法具有较强的局部开发能力，但存在全局探索能力弱，收敛速度慢的缺陷。针对原始算法存在的局限性，本文将两种算法混合并引入动态反向学习策略，提出一种融合动态反向学习的阿奎拉鹰与哈里斯鹰混合优化算法。首先，在初始化阶段引入动态反向学习策略提升混合算法初始化性能与收敛速度。此外，混合算法分别保留了AO的探索机制与HHO的开发机制，提高算法的寻优能力。仿真实验采用23个基准测试函数和2个工程设计问题测试混合算法优化性能，并对比了几种经典反向学习策略，结果表明引入动态反向学习的混合算法收敛性能更佳，能够有效求解工程设计问题。