1. 萤火虫算法基础与Matlab环境搭建第一次接触萤火虫算法时我被它优雅的生物灵感所吸引。想象夏夜里的萤火虫它们通过发光相互吸引最终形成有序的群体行为——这正是算法名称的由来。2008年由剑桥学者Yang提出的这个算法如今已成为解决复杂优化问题的利器。在Matlab中实现这个算法前我们需要做些准备工作。我的电脑配置是i7处理器16GB内存安装的是Matlab 2021b版本。建议至少使用2018b以上版本因为后续我们要用到的向量化运算在较新版本中效率更高。打开Matlab后我通常会创建三个文件夹/core 存放算法主函数/test 放置测试脚本/data 保存运行结果别忘了在设置路径中添加这些文件夹避免出现未找到函数的错误。我遇到过好几次因为路径问题导致的报错后来养成了这个习惯。2. 算法核心原理拆解2.1 亮度与吸引力的数学表达萤火虫算法的精髓在于两个核心公式。第一个是亮度公式I I0 * exp(-gamma * r^2);这里的I0是初始亮度gamma控制亮度衰减速度r是两只萤火虫的距离。在实际编码时我习惯把gamma设为0.1到1之间这个范围在大多数问题上表现稳定。第二个关键公式是吸引力计算beta beta0 * exp(-gamma * r^2);beta0通常取1表示最大吸引力。这两个指数衰减公式构成了算法的数学基础。记得我第一次实现时错误地把两个gamma设成了不同值结果算法完全无法收敛。2.2 位置更新机制萤火虫移动的逻辑很有意思delta_x beta * (xj - xi) alpha * (rand-0.5); xi xi delta_x;alpha是步长因子我建议初始设为0.2随着迭代逐渐减小。rand-0.5产生[-0.5,0.5]的随机扰动这个技巧可以有效避免局部最优。有次我忘记加随机项算法很快就停滞了这个教训让我深刻理解了扰动的重要性。3. Matlab高效实现技巧3.1 向量化编程实战新手最容易犯的错误就是用循环计算每对萤火虫的交互。来看我的优化方案% 计算距离矩阵 dist pdist2(X,X); % 向量化计算吸引力 beta_matrix beta0 * exp(-gamma * dist.^2);使用pdist2函数一次性计算所有点对距离效率能提升几十倍。在100个萤火虫的测试中循环版本需要2.3秒而向量化版本仅需0.07秒。3.2 参数动态调整策略固定参数往往效果不佳我总结出这些调整规律步长alpha从0.5线性递减到0.01亮度gamma根据问题维度调整d维问题建议用1/sqrt(d)种群规模至少取10*dd是变量维度实现代码示例alpha 0.5 * (1 - iter/max_iter); gamma 1/sqrt(dim);4. 典型问题与解决方案4.1 收敛速度慢的优化上周有个读者反馈他的算法收敛太慢我检查后发现两个问题没有限制最大吸引距离gamma取值过大改进方案% 添加距离阈值 dist(distr_max) inf; % 调整gamma系数 gamma 0.05;修改后收敛速度提升了60%。建议设置r_max为解空间直径的1/10。4.2 高维优化技巧处理30维以上的问题时常规方法容易失效。我的经验是采用分阶段策略前期大范围探索后期精细开发引入精英保留机制保留前10%最优个体使用自适应网格动态调整搜索密度具体实现时可以添加这样的判断if iter max_iter/2 alpha 0.01; r_max r_max/2; end5. 实战案例函数优化让我们用Rastrigin函数测试算法性能。这个函数有大量局部极小点非常适合检验优化算法。% 目标函数定义 function y rastrigin(x) y 10*size(x,2) sum(x.^2 - 10*cos(2*pi*x),2); end % 参数设置 n 50; % 萤火虫数量 dim 10; % 维度 max_iter 1000;运行后可以看到算法在约300代时就找到了全局最优。为了更直观我添加了可视化代码% 绘制收敛曲线 semilogy(best_fitness); xlabel(迭代次数); ylabel(最优适应度); grid on;6. 进阶优化方向经过多个项目实践我总结出几个有效的改进思路混合策略结合PSO的速度更新公式并行计算用parfor加速大规模种群多目标优化引入Pareto支配概念约束处理采用罚函数法这里给出一个混合策略的示例代码% 结合PSO的速度更新 v w*v c1*rand*(pbest-x) c2*rand*(gbest-x); x x v beta*delta_x;7. 工程应用注意事项在实际项目中应用时要特别注意这些点变量缩放确保各维度量纲统一早停机制当改进小于tol时提前终止多次运行避免随机性影响结果验证用不同初始值检验稳定性我常用的早停判断条件是if std(fitness)1e-6 iter100 break; end8. 性能对比实验为了验证算法效果我设计了对比实验算法平均误差收敛代数成功率标准FA0.01245085%改进FA0.00530095%粒子群算法0.01860075%测试环境Matlab 2021bi7-11800H CPU基准函数为Ackley。可以看到改进后的FA在各方面都有优势。具体实现代码可以在我的GitHub仓库找到包含了完整的实验设置。