【智能算法】萤火虫算法（FA）原理及实现

---

1.背景

2009年，Yang受到萤火虫发光吸引同伴捕食的自然行为影响，提出了萤火虫算法(Firefly Alogorithm, FA)。

2.算法原理

2.1算法思想

萤火虫算法两个重要因素：光强和萤火虫间的吸引度。
Yang提出了理想假设：

• 萤火虫间的吸引度只受光强影响
• 吸引度与光强呈正比，与距离呈反比
• 光强表述为目标函数值，即越接近食物位置的萤火虫光强越亮

萤火虫群体中每个个体会受到比自身更亮萤火虫的影响而产生移动，寻找更优解。

2.2算法过程

群体位置初始化:
$$X=lb+rand\ast (ub-lb)$$
其中，$ub,lb$分别代表萤火虫上下位置边界。
萤火虫间的吸引度：
$$\begin{gathered} {\beta }_{ij}={\beta }_0\ast e^{-\gamma \ast r_{ij}^2} \\ {r}_{ij}=\sqrt{(x_i-x_j{)}^2} \end{gathered}$$
其中，${\beta }_{ij},{\beta }_0,\gamma ,r_{ij}$分别代表萤火虫$i,j$的吸引度，距离为0时的吸引度，光吸收系数和萤火虫$i,j$的欧式距离。
朝着更亮的萤火虫移动:

$$x_i^{t+1}=x_i^t+{\beta }_{ij}(x_j^t-x_i^t)+\alpha (rand-\frac{1}{2})$$
其中，$x_i^{t+1}$代表萤火虫$i$下一次飞行方向。
伪代码：

3.代码实现

% 萤火虫优化算法
function [Best_pos, Best_fitness, Iter_curve, History_pos, History_best] = FA(pop, dim, ub, lb, fobj, maxIter)
%input
%pop 种群数量
%dim 问题维数
%ub 变量上边界
%lb 变量下边界
%fobj 适应度函数
%maxIter 最大迭代次数
%output
%Best_pos 最优位置
%Best_fitness 最优适应度值
%Iter_curve 每代最优适应度值
%History_pos 每代种群位置
%History_best 每代最优萤火虫位置
%% 萤火虫优化算法参数
beta0 = 2; %最大吸引度
gamma = 1; %光强吸收系数
alpha = 0.2; %步长因子
alpha_damp = 0.98; % 步长下降因子
dmax = norm(ub - lb); %空间最大距离
%% 初始化萤火虫位置
X = zeros(pop, dim);
for i = 1:pop
    for j = 1:dim
        X(i,j) = (ub(j) - lb(j)) * rand() + lb(j);
    end
end
%% 初始化适应度值
fitness = zeros(1,pop);
for i = 1:pop
    fitness(i) = fobj(X(i,:));
end
%% 记录全局最优解
[~, index] = min(fitness);
gBestFitness = fitness(index);
gBest = X(index,:);
Xnew = X;
%% 迭代
for t = 1:maxIter
    for i = 1:pop
        for j = 1:pop
            if fitness(j) < fitness(i)
                %计算距离
                rij = norm(X(i,:) - X(j,:))./dmax;
                %计算吸引度
                beta = beta0 * exp(-gamma * rij^2);
                %更新位置
                newSolution = X(i,:) + beta * rand(1,dim).*(X(j,:) - X(i,:)) + alpha.*(rand(1,dim)-1/2);
                %边界检查
                for k = 1:dim
                    if newSolution(k) > ub(k)
                        newSolution(k) = ub(k);
                    end
                    if newSolution(k) < lb(k)
                        newSolution(k) = lb(k);
                    end
                end
                newSFitness = fobj(newSolution);
                %更新萤火虫位置
                if newSFitness < fitness(i)
                    Xnew(i,:) = newSolution;
                    fitness(i) = newSFitness;
                    if newSFitness < gBestFitness
                        gBestFitness = newSFitness;
                        gBest = newSolution;
                    end
                end
            end
        end
    end
    %新位置与历史位置合并
    P = [X;Xnew];
    for i = 1:2*pop
        Pfit(i) = fobj(P(i,:));
    end
    [~, sortIndex] = sort(Pfit); %适应度排序
    X = P(sortIndex(1:pop),:); %取靠前的pop只萤火虫作为下次迭代初始种群
    %记录数据
    Iter_curve(t) = gBestFitness;
    History_pos{t} = X;
    History_best{t} = gBest;
end
Best_pos = gBest;
Best_fitness = gBestFitness;
end

优化问题：
以CEC2005测试函数F7为例

clear,clc,close all
x = -1.28:0.02:1.28;
y = x;
L = length(x);
for i = 1:L
    for j = 1:L
        f(i,j) = fun([x(i) y(j)]);
    end
end
surfc(x, y, f, 'LineStyle', 'none', 'FaceAlpha',0.5);

% 设定萤火虫参数
pop = 50;
dim = 2;
ub = [1.28, 1.28];
lb = [-1.28, -1.28];
maxIter = 100;
fobj = @(x) fun(x);

% 求解
[Best_pos, Best_fitness, Iter_curve, History_pos, History_best] = FA(pop, dim, ub, lb, fobj, maxIter);

4.参考文献

[1] Yang X S. Firefly algorithms for multimodal optimization[C]//International symposium on stochastic algorithms. Berlin, Heidelberg: Springer Berlin Heidelberg, 2009: 169-178.