[论文解读] Firefly Algorithms for Multimodal Optimization

Xin‐She Yang|arXiv (Cornell University)|Mar 7, 2010

Metaheuristic Optimization Algorithms Research被引用 29

一句话总结

本文提出了萤火虫算法（FA），一种受自然启发的元启发式方法，用于多峰优化，其在收敛速度和成功率方面均优于粒子群优化（PSO）和遗传算法（GA）。该算法受萤火虫发光行为及光强的启发，基于目标函数值的吸引力与随机化机制，高效探索多峰景观，显著减少函数评估次数即可达到全局最优。

ABSTRACT

Nature-inspired algorithms are among the most powerful algorithms for optimization. This paper intends to provide a detailed description of a new Firefly Algorithm (FA) for multimodal optimization applications. We will compare the proposed firefly algorithm with other metaheuristic algorithms such as particle swarm optimization (PSO). Simulations and results indicate that the proposed firefly algorithm is superior to existing metaheuristic algorithms. Finally we will discuss its applications and implications for further research.

研究动机与目标

• 开发一种受萤火虫社会行为启发的新元启发式算法，用于求解复杂的多峰优化问题。
• 在标准测试函数上，比较萤火虫算法（FA）与PSO和GA等成熟算法的性能。
• 评估FA在多种多峰函数中定位全局最优解的效率与鲁棒性。
• 探索FA作为NP难优化问题更优替代方案的潜力。
• 为FA在未来向多目标优化和混合优化方向的扩展奠定基础。

提出的方法

• 萤火虫算法基于吸引力建模萤火虫移动，吸引力与目标函数值成反比，模拟生物发光信号。
• 吸引力随距离减小，遵循平方反比定律，并通过随机化参数α调节，以平衡探索与开发。
• 每个萤火虫根据以下公式更新位置，向更吸引（函数值更低）的萤火虫移动：x_i^{t+1} = x_i^t + α * (g* - x_i^t) + β * ε * (x_i* - x_i^t)，其中g*为全局最优，x_i*为个体最优。
• 通过随机向量ε₁和ε₂引入随机成分，以保持多样性并避免早熟收敛。
• 种群规模固定为n=40，函数评估持续进行，直至收敛容差ε ≤ 10⁻⁵满足。
• 算法在MATLAB中实现，并在10个标准多峰测试函数上进行测试，每项函数独立运行100次以确保统计可靠性。

实验结果

研究问题

• RQ1 萤火虫算法在多峰优化中的收敛速度和成功率方面，与PSO和GA相比如何？
• RQ2 FA能否在高维和复杂多峰函数中有效定位全局最优解？
• RQ3 FA在探索多个局部最优解和逃离局部极小值方面是否比PSO更高效？
• RQ4 随机化参数α对算法性能及收敛行为有何影响？
• RQ5 FA能否被推广为比现有元启发式方法更有效地求解NP难优化问题？

主要发现

• 萤火虫算法在De Jong、Schwefel、Ackley、Rastrigin、Easom、Griewank、Shubert和Yang函数上均实现了100%的成功率，优于PSO和GA。
• 对于Michalewicz函数（d=16），FA平均仅需3,752 ± 725次函数评估（成功率99%），而PSO为6,922 ± 537次，GA为89,325 ± 7,914次。
• 在Rosenbrock函数（d=16）上，FA仅需7,792 ± 2,923次评估（成功率99%），而PSO需32,756 ± 5,325次，GA需55,723 ± 8,901次。
• 对于高维De Jong函数（d=256），FA仅需7,217 ± 730次评估（100%成功率），而PSO为17,040 ± 1,123次，GA为25,412 ± 1,237次。
• 在Rastrigin函数上，FA以15,573 ± 4,399次评估实现100%成功率，而GA仅达77%成功率，PSO为90%。
• 结果表明，FA在高维和高度多峰的环境中显著优于PSO和GA，效率与可靠性均更优。