群体智能优化算法之萤火虫算法(Firefly Algorithm，FA)
获取更多资讯，赶快关注上面的公众号吧！
文章目录
- 第八章 萤火虫算法
- 8.1 介绍
- 8.2 天然萤火虫的行为
- 8.3 萤火虫算法
- 8.4 萤火虫算法改进
- 参考文献
第八章 萤火虫算法
8.1 介绍
萤火虫（firefly）种类繁多，主要分布在热带地区。大多数萤火虫在短时间内产生有节奏的闪光。这种闪光是由于生物发光的一种化学反应，萤火虫的闪光模式因种类而异。萤火虫算法(FA)是基于萤火虫的闪光行为，它是一种用于全局优化问题的智能随机算法，由Yang Xin-She（2009）[1]提出。萤火虫通过下腹的一种化学反应-生物发光（bioluminescence）发光。这种生物发光是萤火虫求偶仪式的重要组成部分，也是雄性萤火虫和雌性萤火虫交流的主要媒介，发出光也可用来引诱配偶或猎物，同时这种闪光也有助于保护萤火虫的领地，并警告捕食者远离栖息地。在FA中，认为所有的萤火虫都是雌雄同体的，无论性别如何，它们都互相吸引。该算法的建立基于两个关键的概念：发出的光的强度和两个萤火虫之间产生的吸引力的程度。
8.2 天然萤火虫的行为
天然萤火虫在寻找猎物、吸引配偶和保护领地时表现出惊人的闪光行为，萤火虫大多生活在热带环境中。一般来说，它们产生冷光，如绿色、黄色或淡红色。萤火虫的吸引力取决于它的光照强度，对于任何一对萤火虫来说，较亮的萤火虫会吸引另一只萤火虫。所以，亮度较低的个体移向较亮的个体，同时光的亮度随着距离的增加而降低。萤火虫的闪光模式可能因物种而异，在一些萤火虫物种中，雌性会利用这种现象猎食其他物种；有些萤火虫在一大群萤火虫中表现出同步闪光的行为来吸引猎物，雌萤火虫从静止的位置观察雄萤火虫发出的闪光，在发现一个感兴趣趣的闪光后，雌性萤火虫会做出反应，发出闪光，求偶仪式就这样开始了。一些雌性萤火虫会产生其他种类萤火虫的闪光模式，来诱捕雄性萤火虫并吃掉它们。
8.3 萤火虫算法
萤火虫算法模拟了萤火虫的自然现象。真实的萤火虫自然地呈现出一种离散的闪烁模式，而萤火虫算法假设它们总是在发光。为了模拟萤火虫的这种闪烁行为，Yang Xin-She提出了了三条规则（Yang，2009）[1]：
- 假设所有萤火虫都是雌雄同体的，因此一只萤火虫可能会被其他任何萤火虫吸引。
- 萤火虫的亮度决定其吸引力的大小，较亮的萤火虫吸引较暗的萤火虫。如果没有萤火虫比被考虑的萤火虫更亮，它就会随机移动。
- 函数的最优值与萤火虫的亮度成正比。
光强(I)与光源距离（r）服从平方反比定律，因此由于空气的吸收，光的强度(I)随着与光源距离的增加而减小，这种现象将萤火虫的可见性限定在了非常有限的半径内：
I ∝ 1 r 2 (1) I \propto \frac{1}{{{r^2}}}\tag 1 I∝r21(1)
萤火虫算法的主要实现步骤如下：
I r = I 0 e − γ r 2 (2) {I_r} = {I_0}{e^{ - \gamma {r^2}}}\tag 2 Ir=I0e−γr2(2)
其中I0为距离r=0时的光强（最亮），即自身亮度，与目标函数值有关，目标值越优，亮度越亮；γ为吸收系数，因为荧光会随着距离的增加和传播媒介的吸收逐渐减弱，所以设置光强吸收系数以体现此特性，可设置为常数；r表示两个萤火虫之间的距离。有时也使用单调递减函数，如下式所示。
I r = I 0 1 + γ r 2 (3) {I_r} = \frac{{{I_0}}}{{1 + \gamma {r^2}}}\tag 3 Ir=1+γr2I0(3)
第二步为种群初始化：
x t + 1 = x t + β 0 e − γ r 2 + α ε (4) {x_{t + 1}} = {x_t} + {\beta _0}{e^{ - \gamma {r^2}}} + \alpha \varepsilon \tag 4 xt+1=xt+β0e−γr2+αε(4)
其中t表示代数，xt表示个体的当前位置，β0exp(-γr2)是吸引度，αε是随机项。下一步将会计算萤火虫之间的吸引度：
β = β 0 e ( − γ × r 2 ) (5) \beta = {\beta _0}{e^{\left( { - \gamma \times {r^2}} \right)}} \tag 5 β=β0e(−γ×r2)(5)
其中β0表示r=0时的最大吸引度。
下一步，低亮度萤火虫向较亮萤火虫运动：
x i t + 1 = x i t + β 0 e − γ r i j 2 ( x j t − x i t ) + α ε i t (6) x_i^{t + 1} = x_i^t + {\beta _0}{e^{ - \gamma r_{ij}^2}}\left( {x_j^t - x_i^t} \right) + \alpha \varepsilon _i^t\tag 6 xit+1=xit+β0e−γrij2(xjt−xit)+αεit(6)
最后一个阶段，更新光照强度，并对所有萤火虫进行排序，以确定当前的最佳解决方案。萤火虫算法的主要步骤如下所示。
Begin
初始化算法基本参数：设置萤火虫数目n，最大吸引度β0，光强吸收系数γ，步长因子α，最大迭代次数MaxGeneration或搜索精度ε；
初始化：随机初始化萤火虫的位置，计算萤火虫的目标函数值作为各自最大荧光亮度I0；
t=1
while(t<=MaxGeneration || 精度>ε)
计算群体中萤火虫的相对亮度I(式2)和吸引度β（式5），根据相对亮度决定萤火虫的移动方向；
更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机移动（式6）；
根据更新后萤火虫的位置，重新计算萤火虫的亮度I0；
t=t+1
end while
输出全局极值点和最优个体值。
end
萤火虫算法与粒子群算法(PSO)和细菌觅食算法(BFA)有相似之处。在位置更新方程中，FA和PSO都有两个主要分量：一个是确定性的，另一个是随机性的。在FA中，吸引力由两个组成部分决定：目标函数和距离，而在BFA中，细菌之间的吸引力也有两个组成部分：适应度和距离。萤火虫算法实现时，整个种群(如n)需要两个内循环，特定迭代需要一个外循环(如I)，因此最坏情况下FA的计算复杂度为O(n2I)。
8.4 萤火虫算法改进
萤火虫算法只有10年(2009-2019)的历史，但由于其简单和易于实现，受到优化领域的研究人员和科学家越来越多的欢迎。Francisco，Costa和Rocha(2014)[2]对萤火虫算法进行了一些实验，使用了数学函数范数。范数是一个严格分配非负长度的函数。(Francisco et al.，2014)[2]提出了两种计算吸引力函数的新方法。首先，利用p-范数计算两个萤火虫之间的距离。第二种方法提出了两个新的吸引力函数β1和β2，如下所示。
β i j 1 = { β 0 e ( − γ × r i j 2 ) if r i j ≤ d 0.5 if r i j > d (7) \beta_{i j}^{1}=\left\{\begin{array}{ll}{\beta_{0} e^{\left(-\gamma \times r_{i j}^{2}\right)}} & {\text { if } r_{i j} \leq d} \\ {0.5} & {\text { if } r_{i j}>d}\end{array}\right.\tag 7 βij1={β0e(−γ×rij2)0.5 if rij≤d if rij>d(7)
β i j 2 = { β 0 e ( f ( x i ) − f ( x j ) r i j ) if f ( x i ) > f ( x j ) 0 otherwise (8) \beta_{i j}^{2}=\left\{\begin{array}{cc}\beta_{0} e^{\left(\frac{f\left(x_{i}\right)-f\left(x_{j}\right)}{r_{i j}}\right)} & {\text { if } f\left(x_{i}\right)>f\left(x_{j}\right)} \\ {0} & {\text { otherwise }}\end{array}\right.\tag 8 βij2=⎩⎨⎧β0e(rijf(xi)−f(xj))0 if f(xi)>f(xj) otherwise (8)
Wang et al.(2017)[3]提出了FA自适应参数，根据迭代次数修改其值：
α ( t + 1 ) = ( 1 − t G max ) × α ( t ) (9) \alpha (t + 1) = \left( {1 - \frac{t}{{{G_{\max }}}}} \right) \times \alpha (t)\tag 9 α(t+1)=(1−Gmaxt)×α(t)(9)
α ( t + 1 ) = ( 1 − F e v a l M a x − F e v a l ) × α ( t ) (10) \alpha (t + 1) = \left( {1 - \frac{{Feval}}{{Max - Feval}}} \right) \times \alpha (t)\tag {10} α(t+1)=(1−Max−FevalFeval)×α(t)(10)
其中t表示当前迭代次数，α的初始值为0.5。第一个等式停止于Gmax，第二个等式停止于最大评估次数。Wang等也建议按照下式改变吸引度系数β：
β 0 ( t + 1 ) = { rand 1 , if rand 2 < 0.5 β 0 ( t ) else (11) \beta_{0}(t+1)=\left\{\begin{array}{ll}{\operatorname{rand}_{1},} & {\text { if } \operatorname{rand}_{2}<0.5} \\ {\beta_{0}(t)} & {\text { else }}\end{array}\right.\tag {11} β0(t+1)={rand1,β0(t) if rand2<0.5 else (11)
其中rand1和rand2均为均匀分布产生的随机数。
Chuah, Wong, and Hassan(2017)[4]在萤火虫算法中混合了三种不同的策略，开发了一种新的FA变体，并将其命名为基于swap的离散FA(SDFA)，用于解决旅行商问题。该新的策略将萤火虫算法与重置策略、最近邻初始化和固定半径最近邻相结合。这里，使用交换距离策略计算两个萤火虫之间的距离，如下所示：
r i j = d s w a p N − 1 × 10 (12) {r_{ij}} = \frac{{{d_{swap}}}}{{N - 1}} \times 10\tag {12} rij=N−1dswap×10(12)
其中dswap表示在[0,N]之间的交换距离（swap distance），N代表城市数量。这意味着城市间距离的增加会导致吸引力βij的逐渐下降。在这个新版本中加入了最近邻策略，该策略随机从一个城市开始，一直选择邻近的城市，直到循环完成。此外，重置方法用于跳过局部最优。
Wang等人(2017)[5]利用FA中的交叉策略开发了一个多目标的FA版本。所提出的算法按照如下生成新的解：
x i d ∗ ( t + 1 ) = { x i d ( t + 1 ) if rand d ( 0 , 1 ) ≤ C R ∨ d = d rand x i d ( t ) otherwise (13) x_{i d}^{*}(t+1)=\left\{\begin{array}{ll}{x_{i d}(t+1)} & {\text { if } \operatorname{rand}_{d}(0,1) \leq C R \vee d=d_{\text {rand }}} \\ {x_{i d}(t)} & {\text { otherwise }}\end{array}\right.\tag {13} xid∗(t+1)={xid(t+1)xid(t) if randd(0,1)≤CR∨d=drand otherwise (13)
其中t是当前迭代次数，CR表示交叉率，randd(0,1)是[0,1]之间的任意数，对于D维问题，drand是[0,D]之间的任意数，参数α通过式（9）和式（10）进行更新。
参考文献
- Yang, X.-S. Firefly Algorithms for Multimodal Optimization. in Stochastic Algorithms: Foundations and Applications. 2009. Berlin, Heidelberg: Springer Berlin Heidelberg.
- Francisco, R.B., M.F.P. Costa, and A.M.A.C. Rocha. Experiments with Firefly Algorithm. in Computational Science and Its Applications – ICCSA 2014. 2014. Cham: Springer International Publishing.
- Wang, H., et al., Firefly algorithm with adaptive control parameters. Soft Computing, 2017. 21(17): p. 5091-5102.
- Chuah, H.S., L.-P. Wong, and F.H. Hassan. Swap-Based Discrete Firefly Algorithm for Traveling Salesman Problem. in Multi-disciplinary Trends in Artificial Intelligence. 2017. Cham: Springer International Publishing.
- Wang, H., et al., Firefly algorithm with neighborhood attraction. Information Sciences, 2017. 382-383: p. 374-387.