群体智能概述：从蚂蚁到萤火虫
大家好，我是你们的老朋友。今天咱们聊聊群体智能。
说实话，我第一次接触群体智能是在做无人机编队项目的时候。当时被一个问题卡住了——多台无人机怎么在没有中心指挥的情况下，自己完成协同定位？后来翻到一篇关于蚁群算法的论文，才恍然大悟。原来自然界早就给了我们答案。
什么是群体智能？
群体智能，说白了就是「一群简单的个体，通过局部交互，涌现出全局智能」。你想想看，一只蚂蚁啥也干不了，但一群蚂蚁能找食物、能建巢穴、能搭桥过河。这就是群体智能的魅力。
核心特征就三条：
- 去中心化：没有老大，每个个体都是平等的
- 自组织：个体之间通过简单的规则互动，整体却表现出有序行为
- 鲁棒性：挂掉几个个体，整个系统照样运转
重要提醒：群体智能不是「群体智慧」。群体智慧强调的是集体决策的质量，而群体智能更关注「如何通过简单规则产生复杂行为」这个机制本身。
典型算法对比：蚁群、粒子群、萤火虫
做嵌入式这么多年，我接触过不少群体智能算法。这里挑三个最经典的给大家掰扯掰扯。
1. 蚁群算法（ACO）
蚁群算法是我最早接触的群体智能算法。它的灵感来自蚂蚁找食物——蚂蚁会在走过的路上留下信息素，后面的蚂蚁倾向于走信息素浓度高的路径。久而久之，最短路径上的信息素越来越浓，所有蚂蚁都走那条路了。
我在项目中用过蚁群算法做路径规划。嗯，这里要注意——信息素挥发率这个参数特别敏感。我曾经调了一整天，挥发率设大了路径收敛不了，设小了又容易陷入局部最优。后来总结出一个经验：挥发率一般取0.1到0.5之间，具体要看问题规模。
2. 粒子群算法（PSO）
粒子群算法模拟的是鸟群觅食。每个粒子记住自己的最佳位置，同时知道群体的最佳位置，然后在这两个信息之间做权衡。
粒子群算法的优点是收敛快，参数少。但有个坑——它容易早熟收敛。我做过一个对比实验，同样的优化问题，粒子群算法跑10次有6次都掉进了局部最优。后来加了惯性权重动态调整，情况才好转。
3. 萤火虫算法（FA）
终于说到咱们的主角了。萤火虫算法的灵感来自萤火虫的闪光行为。萤火虫通过闪光吸引同伴，亮度越高的萤火虫吸引力越强。在算法里，亮度对应解的优劣，吸引力对应搜索方向。
我个人特别喜欢萤火虫算法的一点是——它天然适合做定位。为什么？因为萤火虫的闪光强度随距离衰减，这和无线信号传播模型高度吻合。我在做室内定位项目时，直接用萤火虫算法做协同定位，效果出奇的好。
| 特性 | 蚁群算法 | 粒子群算法 | 萤火虫算法 |
|---|---|---|---|
| 灵感来源 | 蚂蚁觅食 | 鸟群觅食 | 萤火虫闪光 |
| 核心机制 | 信息素 | 个体/全局最优 | 亮度吸引 |
| 适用场景 | 路径规划、组合优化 | 连续优化、参数调优 | 定位、多峰优化 |
| 收敛速度 | 中等 | 快 | 中等偏快 |
| 参数数量 | 较多 | 少 | 中等 |
| 局部最优风险 | 中等 | 高 | 低 |
我的建议：如果你做的是路径规划类问题，优先考虑蚁群算法；如果是连续函数优化，粒子群算法更合适；但如果你做的是定位、跟踪这类问题，萤火虫算法是首选。
协同定位的应用场景
讲完算法，咱们聊聊实际应用。协同定位，说白了就是一群节点互相帮忙确定位置。
我参与过一个仓库AGV（自动导引车）的项目。几十台AGV在仓库里跑来跑去，每台车只知道自己的大概位置。怎么办？让它们互相通信，交换位置信息，然后用群体智能算法做协同优化。最后定位精度从原来的2米提升到了0.3米。
常见的应用场景包括：
- 无人机编队：没有GPS信号的环境下，无人机之间通过测距和通信实现相对定位
- 水下传感器网络：声波在水下传播慢，传统定位方法不好使，群体智能反而有优势
- 室内定位：WiFi、蓝牙信号受干扰大，多节点协同能有效抑制噪声
- 机器人集群：搜救、勘探等场景，机器人之间互相定位，避免走丢
避坑指南：我曾经在一个项目中，把群体智能算法直接部署到低功耗MCU上，结果算力不够，跑一次定位要3秒钟。后来才意识到——嵌入式设备上跑群体智能算法，一定要做轻量化处理。比如减少种群数量、简化适应度函数、用定点数代替浮点数。
知识体系总览
下面这张图是我自己画的，把本章的核心内容串起来了。你一看就明白。
这张图把咱们今天讲的内容串起来了。从定义出发，到三种典型算法的对比，再到实际应用场景，最后落到嵌入式实现上。你照着这个框架去理解，就不会乱了。
好了，这一章就到这里。记住一句话：群体智能不是玄学，它是可以落地到嵌入式系统里的实用技术。下一章咱们会深入萤火虫算法的数学原理，到时候我会带大家手撕代码。