diff --git a/mealpy/bio_based/GAO.py b/mealpy/bio_based/GAO.py
new file mode 100644
index 00000000..9a34b4b7
--- /dev/null
+++ b/mealpy/bio_based/GAO.py
@@ -0,0 +1,111 @@
+import numpy as np
+from mealpy.optimizer import Optimizer
+
+class OriginalGAO(Optimizer):
+    """
+    Green Anaconda Optimization (GAO)
+    
+    Links:
+        1. https://www.mdpi.com/2313-7673/8/3/121 (Original Paper)
+        
+    Notes:
+        1. The implementation follows the equations provided in the paper.
+        2. Phase 1: Mating Season (Exploration)
+        3. Phase 2: Hunting Strategy (Exploitation)
+    """
+
+    def __init__(self, epoch=10000, pop_size=100, **kwargs):
+        """
+        Args:
+            epoch (int): maximum number of iterations, default = 10000
+            pop_size (int): number of population size, default = 100
+        """
+        super().__init__(**kwargs)
+        self.epoch = self.validator.check_int("epoch", epoch, [1, 100000])
+        self.pop_size = self.validator.check_int("pop_size", pop_size, [10, 10000])
+        self.set_parameters(["epoch", "pop_size"])
+        self.sort_flag = False
+
+    def evolve(self, epoch):
+        """
+        The main operations (equations) of Green Anaconda Optimization (GAO).
+        
+        Args:
+            epoch (int): The current iteration
+        """
+        pop_new = []
+        
+        # Fitness değerlerini ve pozisyonları listeden çekme (Vektörizasyon için hazırlık)
+        # Mealpy'de self.pop bir Agent nesneleri listesidir.
+        fitness_list = np.array([agent.target.fitness for agent in self.pop])
+        pos_list = np.array([agent.solution for agent in self.pop])
+        
+        for i in range(self.pop_size):
+            agent = self.pop[i]
+            
+            # --- FAZ 1: Mating Season (Exploration) ---
+            # Kendisinden daha iyi olanları bul (Minimizasyon problemi)
+            better_indices = np.where(fitness_list < fitness_list[i])[0]
+            
+            # Geçici pozisyon (Phase 1 sonucu)
+            pos_new_p1 = agent.solution.copy()
+            
+            if len(better_indices) > 0:
+                CFF = fitness_list[better_indices]
+                CFF_max = np.max(CFF)
+                
+                # Olasılık Hesabı (Eq. 5)
+                diffs = CFF - CFF_max
+                denominator = np.sum(diffs)
+                
+                if denominator == 0:
+                    probs = np.ones(len(CFF)) / len(CFF)
+                else:
+                    probs = diffs / denominator
+                
+                cum_probs = np.cumsum(probs)
+                r_rand = np.random.rand()
+                
+                selected_local_idx = 0
+                for idx, cp in enumerate(cum_probs):
+                    if r_rand <= cp:
+                        selected_local_idx = idx
+                        break
+                
+                selected_global_idx = better_indices[selected_local_idx]
+                SF = pos_list[selected_global_idx] # Selected Female Position
+                
+                # Eq. 8
+                I = np.random.randint(1, 3, size=self.problem.n_dims)
+                r = np.random.rand(self.problem.n_dims)
+                
+                # Yeni pozisyon hesabı
+                pos_new_p1 = agent.solution + r * (SF - I * agent.solution)
+                
+                # Sınır kontrolü (Mealpy fonksiyonu ile)
+                pos_new_p1 = self.problem.correct_solution(pos_new_p1)
+                
+                # Greedy Selection (Phase 1)
+                # Mealpy'de evaluate anlık yapılır veya pop_new'e atılıp toplu yapılır.
+                # Burada lojik gereği adım adım gidiyoruz.
+                agent_new_p1 = self.generate_agent(pos_new_p1)
+                if self.compare_agent(agent_new_p1, agent):
+                    pos_new_p1 = agent_new_p1.solution
+            
+            # --- FAZ 2: Hunting Strategy (Exploitation) ---
+            # Eq. 10
+            # t mevcut epoch'tur. Mealpy'de epoch 1'den başlar (args'dan gelir)
+            r2 = np.random.rand(self.problem.n_dims)
+            pos_new_p2 = pos_new_p1 + (1 - 2 * r2) * (self.problem.ub - self.problem.lb) / epoch
+            
+            # Sınır Kontrolü
+            pos_new_p2 = self.problem.correct_solution(pos_new_p2)
+            
+            # Yeni ajanı oluştur ve listeye ekle
+            # Mealpy'de greedy selection genellikle döngü sonunda yapılır ama 
+            # GAO her adımda greedy yaptığı için en son halini ekliyoruz.
+            agent_new_p2 = self.generate_agent(pos_new_p2)
+            pop_new.append(agent_new_p2)
+
+        # Mevcut popülasyonu güncelle (Greedy Selection mantığı Mealpy update metodunda vardır)
+        self.pop = self.update_target_wrapper_population(self.pop, pop_new)
\ No newline at end of file
diff --git a/mealpy/bio_based/__init__.py b/mealpy/bio_based/__init__.py
index 09472377..7d12e0e5 100644
--- a/mealpy/bio_based/__init__.py
+++ b/mealpy/bio_based/__init__.py
@@ -3,3 +3,4 @@
 #       Email: nguyenthieu2102@gmail.com            %
 #       Github: https://github.com/thieu1995        %
 # --------------------------------------------------%
+from .GAO import OriginalGAO
\ No newline at end of file