第四章：算法核心参数深度解析
好，咱们今天来聊聊萤火虫算法里那些「牵一发而动全身」的核心参数。说实话，我最早接触这个算法时，觉得参数调来调去挺玄学的。后来在几个实际项目中摔过跟头，才慢慢摸清了门道。
你想想看，萤火虫在自然界里怎么飞？它得知道自己该往哪飞、飞多快、飞多远。算法里的参数，说白了就是在模拟这些行为。咱们一个一个拆开讲。
4.1 光强吸收系数 γ —— 视野的边界
γ 这个参数，我习惯叫它「视力衰减系数」。它决定了萤火虫能看到多远。
γ 值越大，光强衰减得越快。这意味着什么呢？意味着每只萤火虫只能看到身边的几只同伴。整个群体就会形成很多小圈子，各自为战。
γ 值越小，光强传得远。大家都能看到远处的亮光，群体行为更一致，但也容易陷入局部最优。
经验值参考：
- γ ∈ [0.01, 100]，常用范围 0.1 ~ 10
- 搜索空间大 → γ 取小值（0.1~1）
- 搜索空间小 → γ 取大值（1~10）
我在一个无人机编队项目里吃过亏。当时 γ 设得太小，所有萤火虫都往同一个亮点挤，结果编队形状完全乱套。后来把 γ 调到 0.8，效果才正常。
避坑指南：我曾经把 γ 设成 0.01，结果所有萤火虫都像没头苍蝇一样乱飞。因为光强几乎不衰减，每个个体都觉得远处的目标和自己一样亮，完全失去了方向感。
4.2 吸引度 β₀ —— 心动的阈值
β₀ 是「初始吸引度」，也就是两只萤火虫贴脸时的吸引力。这个参数控制着算法的「探索」与「开发」平衡。
β₀ 大 → 吸引力强 → 个体快速向最优解靠拢 → 收敛快，但容易早熟
β₀ 小 → 吸引力弱 → 个体更自由探索 → 收敛慢，但更可能找到全局最优
| 场景 | β₀ 建议值 | 原因 |
|---|---|---|
| 多峰函数优化 | 0.5 ~ 1.0 | 需要一定吸引力引导，但别太强 |
| 单峰函数优化 | 1.0 ~ 2.0 | 快速收敛到唯一最优解 |
| 动态环境跟踪 | 0.2 ~ 0.5 | 保持灵活性，适应变化 |
我个人习惯把 β₀ 设在 1.0 左右。太小了，萤火虫之间跟陌生人似的，谁也不理谁；太大了，又像一群追星的粉丝，全往一个方向冲。
4.3 步长因子 α —— 迈多大的步子
α 控制着随机扰动的幅度。你可以把它想象成萤火虫走路时「抖」的那一下。
α 大 → 步子迈得大 → 探索范围广 → 适合前期全局搜索
α 小 → 步子迈得稳 → 局部精细搜索 → 适合后期收敛
我的小技巧：很多论文里 α 取固定值 0.2 或 0.5。但我建议用动态衰减策略：
α(t) = α₀ × 0.95^t前期大步探索，后期小步精调。我在一个传感器定位项目里试过，收敛速度提升了约 30%。
嗯，这里要注意：α 不能太大。我曾经设 α = 0.9，结果萤火虫在最优解附近来回蹦跶，就是落不了地。那感觉就像你瞄准了靶心，手却一直在抖。
4.4 种群规模与迭代次数 —— 人多力量大？
这两个参数放在一起说，因为它们是一对「冤家」。
种群规模 N：
- N 太小（< 10）：容易陷入局部最优，群体多样性不够
- N 适中（20~40）：大多数问题的黄金区间
- N 太大（> 100）：计算量暴增，但效果提升有限
迭代次数 T：
- T 太少（< 50）：还没收敛就停了
- T 适中（100~500）：够用
- T 太多（> 1000）：边际效益递减
一个实用的经验公式：
总计算量 ≈ N × T × 问题维度
如果你的硬件资源有限（比如嵌入式系统），我建议优先保证 N 不要太小，T 可以适当减少。因为群体多样性比迭代次数更重要。
我记得有个水下定位项目，CPU 算力只有 200MHz。我把 N 设为 15，T 设为 80，效果居然还不错。要是按论文里 N=50、T=500 来跑，板子直接死机。
4.5 参数之间的耦合关系
这几个参数不是孤立的。它们之间会互相影响：
- γ 小 + β₀ 大 → 全局吸引力强，适合单峰问题
- γ 大 + β₀ 小 → 局部搜索为主，适合多峰问题
- α 大 + N 小 → 容易发散，需要小心
- α 小 + N 大 → 收敛稳定，但可能慢
说白了，调参就像炒菜。盐多了加糖，糖多了加水。你得根据问题的「口味」来搭配。
4.6 知识体系总览
下面这张图，是我自己总结的参数关系网。你看一眼就能明白：
4.7 实战调参建议
说了这么多理论，来点实际的。我总结了一套「三步调参法」：
- 先定 γ 和 β₀：根据问题特性（单峰/多峰）确定搜索策略
- 再调 α：用动态衰减策略，前期 0.5，后期降到 0.01
- 最后定 N 和 T：根据硬件资源，N 取 20~40，T 取 100~300
一个偷懒的办法：如果你不想手动调参，可以用「参数自适应」策略。让算法自己根据收敛情况调整 α 和 β₀。我在 GitHub 上放过一个开源实现，搜索「FA_adaptive」就能找到。
最后说一句：别迷信论文里的参数值。那些都是在特定测试函数上调出来的。你的实际问题，环境不同、目标不同，参数就得跟着变。多试几次，找到感觉就好了。
公众号:蓝海资料掘金营，微信deep3321