萤火虫群优化 (GSO) 是一种自然启发算法，旨在解决优化问题，特别是那些具有多个最优解的问题。 它模拟了萤火虫的行为，萤火虫利用生物发光来吸引黑暗环境中的同伴。 在 GSO 中，人工代理（萤火虫）在搜索空间中移动，根据附近邻居的亮度调整其位置。 每只萤火虫都携带一个“萤光素”值，该值代表其当前位置的质量——较高的萤光素意味着更好的解决方案。 该算法迭代地更新代理的位置，使群体能够同时识别并收敛到多个最优值，使其适用于多峰优化任务，如传感器部署或机器人路径规划。
该过程首先初始化具有随机位置和萤光素值的萤火虫。 在每次迭代期间，每个代理都会根据其当前位置的适应度（例如，目标函数值）更新其萤光素。 接下来，萤火虫检测动态“决策范围”内的邻居，这决定了它们的可见性。 每个代理选择一个具有较高萤光素的邻居并向其移动，步长由亮度差异和距离控制。 例如，在机器人群搜索多个目标时，机器人（萤火虫）会倾向于靠近目标的同伴，从而分割群以覆盖不同的区域。 决策范围也会随着时间的推移而适应，以避免过度拥挤，确保代理分散开来以探索搜索空间的不同区域。
对于需要发现多个峰值或解决方案的问题，GSO 具有优势。 与收敛到单个全局最优值的粒子群优化 (PSO) 不同，GSO 通过允许子组围绕局部最优值形成来保持群的多样性。 例如，在无线传感器网络部署中，GSO 可以将传感器定位在多个事件热点周围，而不会重叠覆盖范围。 开发人员可以通过调整萤光素衰减率、步长和邻居计数等参数来实施 GSO，从而平衡探索和利用。 虽然对于中等规模的问题来说，计算效率很高，但其性能取决于参数选择和问题复杂性。 这种灵活性使 GSO 成为图像处理、聚类或路线优化等任务的实用工具，在这些任务中，多个高质量的解决方案是有价值的。