仿生群智能优化算法是近些年来国内外学者研究的热点问题，其主要的思想是研究或者模仿自然界群体生活的生物的社会行为而构造的随机搜索方法。目前研究比较多的有两种算法：蚁群算法（ACO）和粒子群算法（PSO）。有研究结果表明，仿生群智能优化算法为许多应用领域提供了新思路和新方法。   2005年，印度学者K.N.Krishnanand和D.Ghose在IEEE群体智能会议上提出了一种新的群智能优化算法，人工萤火虫群优化（Glowworm Swarm Optimization, GSO）算法。2009年，剑桥学者Xin-She Yang根据自然界中萤火虫的发光行为提出萤火虫算法（Firefly Algorithm, FA）。自这两种萤火虫算法提出以来，各国学者对这两种算法进行了研究、改进和应用。经过几年的发展，在连续空间的寻优过程和一些生产调度方面萤火虫算法具有良好的应用前景。   GSO和FA有相似的方面，但在具体实现方面有一定差异。本文具体介绍和分析了这两种算法及其改进算法。

  在GSO算法中，每一只人工萤火虫散步在解空间中，这些萤火虫带着荧光，并且拥有各自的视线范围，称为决策域（local-decision range）。它们的亮度与自己所在位置上的目标值有关。越亮的萤火虫表示它所在的位置越好，即有较优的目标函数值。萤火虫会在决策域范围内寻找邻居集合，在集合当中，越亮的邻居拥有越高的吸引力吸引此萤火虫往这个方向移动，每一次的飞行方向会随着挑选的邻居不同而改变。此外，决策域范围的大小会受到邻居数量的影响，当邻居密度越低，萤火虫的决策半径会加大以寻找更多的邻居；当邻居密度越高，它的决策半径会缩小。最后，大部分萤火虫会聚集在多个位置上，即达到极值点。简单的说，GSO算法主要包含四个阶段：萤火虫的部署（初始化）、荧光素更新、位置更新阶段和决策半径更新阶段。

（1）初始化   在可行域中随机放置 n 个萤火虫，并赋予每个萤火虫的荧光素为l0，动态决策域为 r0 。初始化步长 s ，领域阈值nt，荧光素消失率 ρ ，荧光素更新率 γ ，动态决策域更新率 β ，萤火虫感知域 rs ，迭代次数 M 。 （2）更新萤火虫i的荧光素