基于萤火虫算法的非线性约束优化求解器

资 源 简 介

本项目旨在MATLAB环境中完整实现萤火虫算法（Firefly Algorithm, FA），用于解决高维度的非线性约束优化问题。项目详细模拟了自然界中萤火虫通过发光进行求偶和猎食的生物行为，利用发光亮度与相互吸引度之间的数学关系来指导搜索过程。针对非线性约束条件（包括等式约束和不等式约束），项目集成了罚函数法（Penalty Function Method）和Deb法则等约束处理机制，确保算法在寻找最优解的同时严格满足几何或物理限制。核心代码模块包括种群初始化、亮度计算、距离计算、吸引度更新以及位置迭代更新。此外，项目还提供了完善的数据分析与可视化功能，能够实时追踪萤火虫群体的动态分布，绘制目标函数值的收敛曲线，并验证最终解的可行性，适用于工程设计优化、资源分配及参数估计等科学计算场景。

详 情 说 明

基于萤火虫算法的非线性约束优化求解器

项目简介

本项目是一个基于MATLAB环境开发的智能优化算法项目，完整实现了萤火虫算法（Firefly Algorithm, FA），专门用于求解包含等式和不等式约束的高维非线性优化问题。

项目模拟了自然界萤火虫的发光求偶与猎食行为，将“光强”映射为目标函数值，通过“吸引度”与距离的反比关系引导个体向更优解移动。为了处理非线性约束，系统集成了罚函数法（Penalty Function Method），将违反约束的程度转化为适应度惩罚，从而确保算法收敛至可行域内的全局最优解。

主要功能特性

• 标准萤火虫算法实现：包含光强计算、吸引度公式（基于指数衰减）、距离计算及位置更新公式。
• 非线性约束处理：内置罚函数机制（Penalty Function），支持等式约束与不等式约束，通过罚因子将约束违反量加入适应度评估。
• 自适应步长控制：实现了随即步长因子（alpha）的动态衰减机制，平衡搜索初期的全局探索能力与后期的局部开发能力。
• 可视化分析（针对2D问题）：

* 收敛曲线：实时绘制适应度值的下降趋势。 * 2D 轨迹/等高线图：在目标函数等高线背景上绘制初始种群、最终种群及全过程搜索轨迹，并标记不可行区域。 * 3D 地貌图：以三维曲面展示目标函数，剔除不可行域，直观展示最优解位置。

• 多维扩展性：算法核心逻辑支持任意维度的决策变量（代码示例默认为2维以便演示可视化）。

算法实现细节与逻辑

本项目在 main 函数中完整构建了优化流程，具体逻辑如下：

1. 参数定义与初始化

• 种群设置：默认设置种群规模为50，最大迭代次数为100。
• 算法参数：

* 初始随机步长 alpha = 0.5，并设置衰减系数 alpha_damp = 0.98。 * 最大吸引度 beta0 = 0.2，光吸收系数 gamma = 1.0。 * 罚因子 penalty_factor = 1e5，用于强行拉回违反约束的个体。

• 问题模型：采用经典的 Rosenbrock 函数（香蕉函数）作为目标函数，并附加圆形约束 ($x_1^2 + x_2^2 leq 2$) 和线性约束 ($x_1 + x_2 > 0.5$)。

2. 适应度评估（核心机制）

代码通过 Evaluate 函数实现了约束处理：

1. 计算原始目标函数值（Cost）。
2. 计算约束违反程度（Violation）：

* 不等式约束取 max(0, g(x)) 的平方和。 * 等式约束取 h(x) 的平方和。

1. 构造适应度（Fitness）：Fitness = Cost + penalty_factor * Violation。

* 这种设计使得不满足约束的解拥有极大的适应度值（即亮度极低），从而失去对其他萤火虫的吸引力，且自身倾向于被吸引至可行域。

3. 主循环与位置更新

算法采用双重循环遍历所有萤火虫对 $(i, j)$：

• 亮度比较：仅当萤火虫 $j$ 的适应度优于（小于）$i$ 时，触发移动。
• 移动公式：

* $x_i^{new} = x_i + beta times (x_j - x_i) + alpha times text{随机扰动}$ * 其中 $beta = beta_0 times e^{-gamma r_{ij}^2}$，即距离越远，吸引力呈指数衰减。

• 贪婪更新策略：计算出新位置后，立即评估其适应度。仅当新位置优于旧位置时，才更新萤火虫 $i$ 的状态（这一策略增强了局部搜索的稳定性）。
• 边界限制：每次移动后强制检查并修正变量上下界。

4. 结果分析与可视化

程序运行结束后，通过 VisualizeResults 函数生成图表：

• 在2D等高线图中，通过计算网格点的约束情况，将不可行区域的目标函数值设为 NaN，从而在视觉上清晰划分可行域与禁忌域。
• 输出控制台报告，包括：耗时、最优解坐标、最优成本、约束违反度（理想应接近0）及可行性标志。

关键函数说明

• main(): 主程序入口。负责环境清理、参数初始化、主循环迭代控制以及最终结果的打印。
• CostFunction(x): 定义目标函数。当前实现为 Rosenbrock 函数，具有狭长的抛物线山谷，考验算法收敛能力。
• ConstraintFunction(x): 定义约束条件。返回不等式约束向量 $C$ 和等式约束向量 $Ceq$。
• Evaluate(x, Prob, Params): 评估器。封装了目标计算、约束检查、违反度累加及罚函数应用逻辑，是算法判断解优劣的唯一标准。
• VisualizeResults(...): 绘图引擎。根据维度判断是否绘制2D/3D空间分布图，始终绘制收敛曲线。

使用方法

1. 打开 MATLAB 软件。
2. 将包含本代码的 .m 文件放置于当前工作目录或路径中。
3. 直接运行 main 函数。
4. 观察命令窗口输出的迭代日志及最终优化结果。
5. 查看弹出的图形窗口，分析萤火虫的聚类行为及收敛轨迹。

系统要求

• 软件：MATLAB R2016a 及以上版本（代码使用基础矩阵运算，无特定工具箱强依赖，但在绘图部分使用了标准图形句柄）。
• 硬件：标准计算配置即可，算法计算量适中。