在自然界中，蚁群会派出大量的蚂蚁到周围地区搜索食物，如果其中一只发现了食物，它便会返回蚁巢去通知其他的蚂蚁，这只蚂蚁会在它回巢的途中留下信息素以便于其他的蚂蚁能够找到食物的所在地。因为信息素随着时间的推移会慢慢挥发，从而是信息素的浓度发生改变。假如两只蚂蚁通过两条不同的路径发现同一个食物地点，其他蚂蚁便可以通过分辨信息素的浓度来确定哪条路更近，从而做出选择，这就使该路径的信息素浓度越来越高，使蚁群找到最近的路径到达食物所在地[4]。根据这个原理，科学家设计出了蚁群算法。

萤火虫算法

在本质上，萤火虫依靠其特有的发光行为来完成繁殖，觅食和其他活动。 在2005年Krishnanad和Ghose模拟了萤火虫发光并提出了人造萤火虫算法。 在GSO算法中，假设只需要两个因素来相互吸引：亮度与吸引度。其亮度是萤火虫的目标值的位置，目标值越高，亮度越高：亮度随着吸引力的大小改变，萤火虫越亮，就可以吸引其他低亮度萤火虫。 随着萤火虫距离的增加，亮度和吸引力也随之下降。 当亮度相同时，萤火虫便随机移动[4]。

定义萤火虫的吸引度β和其相对亮度l分别为

其中， 表示萤火虫自己的最大亮度（此时r=0）； 表示光传播被吸收的常数； 表示萤火虫自己的最大吸引力；而 则表示两只萤火虫之间的最短距离。

所以我们可以写出萤火虫从 位置移动到 位置的位置更新公式，即：

                     (1-4)

上式中 和 分别代表萤火虫 和萤火虫 的空间位置；rand表示其在[0,1]上的均匀分布； 则表示在[0,1]上的步长（ 为常数）。

算法流程如下：

初始化各个参数，包括萤火虫的数目、萤火虫力最大的吸引度，步长等数据。

通过将萤火虫所在位置的函数进行计算来得出其位置的最大亮度。

根据上述（1-2）与（1-3）式，计算得出各个萤火虫的光亮度和吸引度，再根据（1-4）式算出每个萤火虫移动后的位置/

判断当前情况是否达到搜索要求

输出计算后的最优值[4]

遗传算法

遗传算法是一种基于生物学演化的随机搜索方法。 1975年在美国首演由J。Holland教授提出，其主要特点是直接对对象的结构进行操作，没有推导和有限的功能连续性;具有全局内隐含并行性和更好的优化能力，其使用概率优化方法，可以自动获取和优化搜索空间并自适应调整搜索方向，不需要确定规则[4]。遗传算法的这些性质已经广泛应用于组合优化，信号处理，机器学习，人工生命以及自适应控制等领域。它是现代智能计算的关键所在。文献综述

遗传算法也是人工智能领域的一种启发式搜索算法。这种启发式算法常用于产生不同的解决方案来优化问题。进化算法已经从进化生物学中的许多现象开发出来，包括遗传学，天然选择，突变和杂交等。当适应度函数不合适时，遗传算法可能会收敛到局部最优值，并不能达到全局最优值。

粒子群优化算法

粒子群优化算法通过演化代表候选解的一组粒子来解决问题。 粒子虽然没有体积和质量，但具有速度，位置和适应性; 决策向量对应于候选解的位置，代表粒子在决策空间中的位置; 速度相对应候选解决策向量的改变，其代表例子的方向和长度; 适应目标矢量对应于候选解，代表粒子在客观空间优劣。 每个粒子保留其通过的所有位置的最佳拟合值。 粒子群中所有粒子的最佳个体适应度值保持为全局最优值。 通过最优值和全局最优值，预期的粒子收敛到最优解。