第三章 萤火虫算法基础：灵感来源、数学模型与核心定义

各位同学，今天我们来聊聊萤火虫算法的基础。说实话，我第一次接触这个算法是在一个无人机编队项目里——当时需要解决多机协同定位的问题，试了好几种传统优化算法都不太理想。后来一个同事跟我说：「你不如看看萤火虫是怎么找同伴的。」嗯，这一看，就打开了新世界的大门。

3.1 算法灵感来源：大自然给的启发

萤火虫算法（Firefly Algorithm, FA）是2008年由剑桥大学的Xin-She Yang提出的。它的灵感来源，说白了就是夏夜里那些一闪一闪的小虫子。

你想想看，萤火虫发光是为了什么？

• 求偶：雄性萤火虫通过特定频率的闪光吸引雌性
• 捕食：有些种类的萤火虫会模仿其他种类的闪光信号来诱捕猎物
• 警戒：闪光也可以警告捕食者「我有毒，别吃我」

在算法里，我们主要借鉴的是求偶行为。核心逻辑很简单：亮度越高的萤火虫，吸引力越强；距离越近，吸引力也越强。这就像在舞会上，最闪亮的那个人总是最吸引眼球——而且离得越近，效果越明显。

3.2 数学模型：把自然现象翻译成公式

好，现在我们把萤火虫的行为翻译成数学语言。我个人习惯把数学模型拆成三个部分来讲：亮度、吸引度、移动公式。

3.2.1 亮度定义

在算法里，萤火虫的亮度 I 通常直接等于目标函数值。对于最大化问题：

I(x) = f(x)

其中 f(x) 是目标函数，x 是萤火虫的位置向量。亮度越高，代表解越好。

但这里有个坑——光在传播过程中会衰减。距离越远，我们看到的光越暗。所以实际计算时，我们需要考虑距离因素：

I(r) = I₀ × e^(-γ × r²)

其中：

• I₀：萤火虫自身的原始亮度（即 f(x)）
• γ：光吸收系数，控制衰减速度
• r：两只萤火虫之间的距离

3.2.2 吸引度定义

吸引度 β 和亮度直接相关。一只萤火虫对另一只的吸引度定义为：

β(r) = β₀ × e^(-γ × r²)

其中 β₀ 是 r=0 时的最大吸引度（通常取1）。

为什么用指数衰减？因为自然界的光强衰减就是这样的规律。而且指数函数在数学上性质很好——可导、光滑、计算方便。

参数	典型值	说明
β₀	1.0	最大吸引度，通常固定
γ	0.1 ~ 10	光吸收系数，控制搜索范围
α	0.2 ~ 0.5	随机步长，控制探索能力

3.2.3 移动公式

当萤火虫 i 被萤火虫 j 吸引时，它会向 j 移动。移动公式是：

x_i(t+1) = x_i(t) + β₀ × e^(-γ × r²) × (x_j - x_i) + α × (rand - 0.5)

这个公式有三部分：

1. 当前位置：x_i(t)，萤火虫当前的位置
2. 吸引项：β₀ × e^(-γ × r²) × (x_j - x_i)，向更亮的萤火虫移动
3. 随机项：α × (rand - 0.5)，加入随机扰动，避免陷入局部最优

嗯，这里要注意：随机项不能太大也不能太小。太大了算法不稳定，太小了容易陷入局部最优。我一般建议 α 从 0.5 开始，随着迭代逐渐减小到 0.01 左右。

3.3 算法伪代码：把公式变成步骤

理论说完了，我们来看看实际怎么操作。下面是我常用的伪代码版本：

算法：萤火虫算法 (Firefly Algorithm)

输入：种群大小 n，最大迭代次数 MaxGen，参数 β₀, γ, α
输出：最优解 x_best

1. 初始化 n 只萤火虫的位置 x_i (i=1,2,...,n)
2. 计算每只萤火虫的亮度 I_i = f(x_i)
3. 找到当前最亮萤火虫 x_best

4. for t = 1 to MaxGen:
5.     for i = 1 to n:
6.         for j = 1 to n:
7.             if I_j > I_i:
8.                 // 计算距离
9.                 r = ||x_i - x_j||
10.                // 计算吸引度
11.                β = β₀ × exp(-γ × r²)
12.                // 移动萤火虫 i 向 j
13.                x_i = x_i + β × (x_j - x_i) + α × (rand - 0.5)
14.                // 边界处理
15.                将 x_i 限制在搜索空间内
16.            end if
17.        end for
18.    end for
19.    // 更新亮度
20.    重新计算所有萤火虫的亮度
21.    更新全局最优 x_best
22.    // 衰减随机步长（可选）
23.    α = α × 0.97
24. end for

25. return x_best

3.4 知识体系结构图

下面我用一张SVG图来总结本章的核心逻辑：

3.5 一个简单的例子

为了让你更直观地理解，我们来看一个一维的例子。假设我们要最大化函数 f(x) = -x² + 4x，搜索范围 [0, 4]。

初始化3只萤火虫：

• 萤火虫A：x=1.0，亮度 f(1)=3
• 萤火虫B：x=2.5，亮度 f(2.5)=3.75
• 萤火虫C：x=3.5，亮度 f(3.5)=1.75

设置参数：β₀=1，γ=1，α=0.2

第一轮迭代：

• 萤火虫A（亮度3）看到B更亮（3.75），向B移动。距离 r=1.5，吸引度 β=exp(-1×1.5²)=0.105。新位置 x_A = 1.0 + 0.105×(2.5-1.0) + 0.2×(rand-0.5) ≈ 1.16
• 萤火虫C（亮度1.75）看到A和B都更亮，选择向最亮的B移动。距离 r=1.0，吸引度 β=exp(-1)=0.368。新位置 x_C = 3.5 + 0.368×(2.5-3.5) + 0.2×(rand-0.5) ≈ 3.13
• 萤火虫B最亮，不移动，只做随机扰动

你看，经过几轮迭代，所有萤火虫都会聚集到最优解 x=2 附近。这就是萤火虫算法的核心逻辑——弱者向强者学习，强者保持探索。