萤火虫算法 (FA) 是一种群体智能优化技术，其灵感来源于萤火虫的闪光行为。它模仿了萤火虫如何使用光进行交流、吸引配偶或警告捕食者。 在该算法中，每个“萤火虫”代表优化问题的潜在解决方案。 萤火虫的亮度对应于解决方案的质量（例如，目标函数的值）。 萤火虫向更亮的萤火虫移动，模拟自然的吸引过程。 该算法通过根据距离和随机性调整吸引力来平衡探索（搜索新区域）和利用（优化已知的良好解决方案）。
该算法通过三个关键规则运行： (1) 所有萤火虫都是单性的，因此任何萤火虫都可以被任何其他萤火虫吸引。 (2) 吸引力取决于亮度，并且随着距离的增加而降低。 (3) 萤火虫的亮度由问题的目标函数决定。 例如，在最小化函数时，较低的值（更好的解决方案）对应于更高的亮度。 使用公式计算移动，该公式结合了两个萤火虫之间的吸引力、随机项和步长参数。 吸引力随着距离呈指数下降，由光吸收系数控制。 这确保了附近的萤火虫比远处的萤火虫更能相互影响。
开发人员可以将萤火虫算法应用于神经网络训练、特征选择或工程设计等问题。 例如，优化网络中传感器的放置可以使用 FA 来最大限度地减少覆盖范围的差距。 该算法的优势在于它能够处理具有多个局部最优值的非线性多峰问题。 然而，其性能取决于调整随机因子和光吸收系数等参数。 这些参数会影响收敛速度和解决方案质量，需要进行实验或自适应策略。 与粒子群优化 (PSO) 相比，FA 通常由于其基于距离的吸引力而更有效地进行探索，但对于复杂问题可能需要更多迭代。 Python 或 MATLAB 中的开源实现为集成到自定义项目中提供了起点。