群体智能基础：萤火虫算法FA

可视化演示

展示萤火虫算法FA的核心机制，包括光强吸引移动、光强衰减模型及优化收敛过程，通过交互控件调节吸收系数观察搜索行为变化。

灵感起源

夏天的夜晚，湖边草丛里萤火虫明灭闪烁，像一场永不落幕的星光派对。生物学家告诉我们，那光不是装饰，而是生命最古老的情书——雄虫用光说“我很强壮”，雌虫用光应答“我看见你了”。2008年，剑桥学者杨新社（Xin-She Yang）把这场求偶派对翻译成了数学语言，萤火虫算法（Firefly Algorithm, FA）就此诞生，成为群体智能家族中又一颗闪亮的星。

群体智能家族早有先例：蚁群算法模拟蚂蚁觅食，粒子群算法模仿鸟群迁徙。FA的加入带来了一种全新的“社交方式”——个体之间没有命令，只有吸引。每只萤火虫都是一个候选解，它不需要完整的地图，只需要向身边更亮的那只靠拢。这种“就近跟随”的朴素智慧，恰恰是群体智能的精髓：复杂行为可以由简单规则涌现出来。

FA建立了三条理想化假设：其一，所有萤火虫不分性别，任何一只都会被更亮的同伴吸引；其二，吸引力与亮度成正比、与距离成反比，因为光在传播中会衰减；其三，若眼前没有更亮的萤火虫，它就随机漫步，等待灵感的降临。这三条假设把“求偶”抽象成纯粹的数值关系，让算法能以极少的参数完成搜索——这很像派对中不需要主持人，光线本身就是组织者。

派对开场时，舞者们散落各处，光影杂乱。但不用多久，亮光仿佛一种无声的指挥，人群开始聚拢、旋转、碰撞。没有主持人，每一束光都是主持人。这就是FA的底层逻辑：最朴素的光，组成了最迷人的秩序。

核心机制

派对上，你凭什么决定向谁靠近？答案写在亮度里。在FA中，“亮度”不是玄学，而是目标函数值的化身。求解一个优化问题，就是在一群萤火虫中找到最亮的那只——把抽象的数学目标翻译成肉眼可见的光。

如何把目标函数映射成亮度？对最大化问题，亮度 \(I(\mathbf{x}) = f(\mathbf{x})\)，函数值越大越耀眼；对最小化问题，则取倒数或负号，函数值越小越亮。经过这一“打光”操作，“找最优解”就变成了“追最亮的光”。而吸引力并非恒定不变——它随两只萤火虫之间的距离指数衰减：

$$\beta(r) = \beta_0 \cdot e^{-\gamma r^2}$$

再耀眼的舞者，站在舞台另一端也会显得模糊。\(\beta_0\) 决定你第一眼的惊艳，γ 决定这份惊艳能传多远，而 \(r\) 是你们之间真实的社交距离。算法把“社交距离感”编进了数学规则，每只萤火虫都因此拥有了对远近不同的光源差别的感知力。

移动规则

现在舞者看到了目标，问题是怎么走。走太快会错过沿途的风景（跳过了可能更好的位置），走太慢又跟不上节奏。FA给出了一套聪明的“舞步”：既朝着更亮的舞伴移动，又保留一点随机发挥的自由——这和人类在派对中边聊天边移动、偶尔被旁边的人吸引偏转方向，是同样的道理。

假设第 \(i\) 只萤火虫被第 \(j\) 只吸引（\(j\) 比 \(i\) 亮），那么 \(i\) 的下一轮位置由三部分组成：当前位置、指向 \(j\) 的吸引项、以及随机扰动。用公式表达就是：

这支舞既有目标又有自由：离得远时，光弱、步子小，主要靠随机扰动探索未知；离得近时，光强、步子大，快速逼近舞伴完成局部精调。整个种群就这样在“跟随”与“探索”的平衡间跳完一整场舞——这正是FA区别于确定性算法的灵魂所在。

参数调优

每场派对都有音量旋钮、灯光旋钮和空调旋钮。FA也有三个关键旋钮：\(\alpha\)、\(\beta_0\)、\(\gamma\)。把它们调好，算法事半功倍；调歪了，全场舞者可能原地打转，或是像无头苍蝇一样乱撞。

\(\alpha\) 是随机步长，控制探索强度。\(\alpha\) 太大，萤火虫像喝醉的舞者到处乱窜，明明看到亮光也走不过去；\(\alpha\) 太小，舞步过于拘谨，早早停下脚步陷入局部最优。经验做法是让 \(\alpha\) 随迭代逐步衰减：派对前半场尽情探索，后半场专注收敛。一个经典的自适应策略是：

再说另外两个旋钮：\(\beta_0\) 一般取 1，把最大吸引力归一化，方便对比；\(\gamma\) 取值范围常在 \([0.01, 100]\) 之间，\(\gamma\) 越小，吸引力越“长手”，全局搜索能力强；\(\gamma\) 越大，只在近处产生吸引，局部搜索精细但容易迷失。种群规模通常取 20～40，足以保证多样性，又不至于让每轮比较的计算量过大。再好的舞者也需要合适的舞台：\(\alpha\) 是舞步的自由度，\(\beta_0\) 是初见的心动值，\(\gamma\) 是空气的透明度——三者协同，整场派对才能既热闹又有序。

流程步骤

派对要按照节目单进行。FA从开场到散场，一共五步，每一步都像一种社交动作：登场、亮相、寻找、靠近、谢幕。这五步听起来简单，执行起来却有条不紊。

第一步，初始化：在搜索空间里随机撒下 \(N\) 只萤火虫，设定各自的初始位置，就像舞者们刚入场时散落在舞池各处。第二步，计算亮度：用目标函数给每只萤火虫“打光”，确定谁的舞姿更耀眼。第三步，比较与移动：每只萤火虫依次查看其他同伴，若对方更亮，就朝对方迈出一步。第四步，更新最优：记录全场最亮的那只萤火虫的位置。第五步，判断终止：达到最大迭代次数、精度阈值或最优值不再明显改善，就散场；否则返回第二步继续跳。

其中第三步反复用到一个核心运算——距离计算。两只萤火虫相距多远，直接决定吸引力的大小，而高维空间中这个“多远”就是欧氏距离：

节目单虽简单，但执行上有个明显代价：每只萤火虫都要和其他 \(N-1\) 只逐一比较，所以总复杂度是 \(O(N^2)\)——派对规模越大，社交成本越高，这也是FA最常被吐槽的软肋。不过换个角度看，正是这种“逐一打量”让每只萤火虫都获得了全局视野，而不是只盯着一个领队。

改进策略

原版FA像一位有天赋但固执的舞者：参数固定、步调单一、缺了点随机应变的本事。因此研究者们不断给它“加课”，催生了许多改进方案——这些方案不是为了颠覆，而是让萤火虫跑得更稳、更远。

最常用的改进是自适应参数策略：让 \(\alpha\)、\(\beta_0\)、\(\gamma\) 随迭代动态变化。比如 \(\alpha\) 从 0.5 逐步降到 0.01，前期大范围探索、后期精细搜索，省去手动调参的烦恼。第二种思路是引入变异算子——借鉴遗传算法，在种群中随机挑选个体施加扰动，相当于派对中突然混入一位跳新舞步的陌生舞者，逼着大家走出舒适区，防止整个种群过早“抱团”在同一片小区域。

第三种是面向多目标优化问题的扩展：把亮度定义成向量，用帕累托（Pareto）支配关系代替简单的“谁更亮”排序。此时一只萤火虫不再只追逐单一强光，而是不断更新一组体现多目标权衡的非劣解前沿。还有混合策略，让FA先找到有希望的区域，再用爬山法或梯度法进行局部精雕细琢——相当于先靠直觉锁定舞伴，再用专业舞步完成收尾。

改良之后，派对变得更加精彩：自适应参数像DJ根据气氛随时切换音乐，变异算子像突然加进来的新面孔带来新舞步，多目标扩展让一场派对同时服务多个心愿。萤火虫舞蹈的内核没有变，但它的舞台已经比夏夜湖岸宽阔得多。

应用领域

这只算法的萤火虫早已飞出夏夜，落到工控机、服务器和自动驾驶汽车上。凡是“搜索空间大、目标函数不光滑、人工调参费时”的问题，都可以试着放一群萤火虫进去，让光来引路。

在AI领域，FA最常见的落地是超参数自动调优：深度学习模型的 learning rate、batch size、网络层数等参数组合多如星辰，网格搜索逐点试探耗费数日，FA则把一组超参数编码成一只萤火虫的位置，亮度设为验证集准确率，几十轮内就能找到近乎最优的配置。图像分割中的阈值搜索也常用FA——把多个分割阈值当作萤火虫的坐标，用类间方差或熵函数打光，快速定位最佳分割点。除此之外，电力系统的经济调度、供应链的路径优化、无线传感器网络的节点部署，都有FA活跃的身影。

FA尤其适合中等规模、非凸、多峰值的优化问题。由于亮度吸引机制天然是并行的，多只“亮虫”可以同时锁定多个峰值，避免像梯度下降那样一头扎进最近的坑里——这正是“派对分散注意力”的意外好处。

从湖边的夏夜到芯片上的电路，萤火虫没有被现代科技遗忘。它提醒我们：最古老的答案往往藏在最简单的自然里。只要有光，就有方向。

AI 应用场景

Python 演示

import mathimport random  def objective(x):    """Sphere 函数: 最小值 0, 位于原点"""    return sum(v * v for v in x)  def firefly_algorithm(dim=2, pop_size=20, alpha=0.5, beta0=1.0,                      gamma=1.0, max_iter=50, bounds=(-10.0, 10.0)):    # 初始化萤火虫种群    fireflies = []    for _ in range(pop_size):        pos = [random.uniform(bounds[0], bounds[1]) for _ in range(dim)]        fireflies.append([pos, objective(pos)])     best = min(fireflies, key=lambda f: f[1])    history = [best[1]]     for _ in range(max_iter):        for i in range(pop_size):            for j in range(pop_size):                if fireflies[j][1] < fireflies[i][1]:                    # 计算欧氏距离                    dist = math.sqrt(sum(                        (fireflies[i][0][k] - fireflies[j][0][k]) ** 2                        for k in range(dim)                    ))                    # 吸引力: 随距离指数衰减                    beta = beta0 * math.exp(-gamma * dist * dist)                    # 位置更新: 吸引项 + 随机扰动                    for k in range(dim):                        fireflies[i][0][k] += beta * (                            fireflies[j][0][k] - fireflies[i][0][k]                        ) + alpha * (random.random() - 0.5)                    # 重新计算亮度                    fireflies[i][1] = objective(fireflies[i][0])                    # 更新全局最优                    if fireflies[i][1] < best[1]:                        best = [fireflies[i][0][:], fireflies[i][1]]        history.append(best[1])     return best, history  if __name__ == "__main__":    best, history = firefly_algorithm()    print("最优位置:", [round(v, 4) for v in best[0]])    print("最优值:", round(best[1], 6))    print("前10代收敛曲线:", [round(h, 4) for h in history[:10]])

1. fireflies.append([pos, objective(pos)])每只萤火虫用 [位置，亮度] 二元组表示，亮度就是目标函数值。
2. best = min(fireflies, key=lambda f: f[1])找出当前全场最亮（目标值最小）的萤火虫作为全局最优。
3. if fireflies[j][1] < fireflies[i][1]:核心比较逻辑：只要对方更亮，第 i 只萤火虫就朝它移动。
4. dist = math.sqrt(sum(...))计算两只萤火虫的欧氏距离，这是吸引力公式的输入。
5. beta = beta0 * math.exp(-gamma * dist * dist)吸引力随距离指数衰减，距离越远越“看不见”。
6. fireflies[i][0][k] += beta * (...) + alpha * (random.random() - 0.5)位置更新 = 定向吸引 + 随机扰动，保持探索能力。
7. best = [fireflies[i][0][:], fireflies[i][1]]用切片复制位置，避免后续修改污染最优记录。

常见误区

面试题