多模态————Flamingo算法

Ne0inhk

16 Mar 2026 — 8 min read

一、Flamingo算法核心算法

Flamingo又名火烈鸟优化算法，是一种模拟火烈鸟群体行为的元启发式优化算法，属于智能优化算法的范畴，核心灵感来自火烈鸟的群体觅食、社交聚集、迁徙三大行为：

觅食行为：火烈鸟会朝着食物浓度高的区域移动，对应算法中 “向最优解方向搜索”；
社交聚集：火烈鸟倾向于聚集在群体中心，避免孤立，对应算法中 “群体协作，平衡探索与开发”；
迁徙行为：当当前区域食物不足时，火烈鸟会整体迁徙到新区域，对应算法中 “跳出局部最优，全局探索”。

该算法的核心目标是通过模拟上述行为，在解空间中高效搜索最优解（如最小值 / 最大值问题），相比传统算法（如 PSO、GA），它在平衡 “探索（全局搜索）” 和 “开发（局部求精）” 上表现更优。

二、Flamingo算法数学公式

1.符号定义

，第 t 代第 i 只火烈鸟的位置。

，第 t 代全局最优火烈鸟的位置最优解。

，第 t 代火烈鸟群体的平均位置。

N，火烈鸟种群规模。

d，解空间维度。

α，觅食步长因子（通常 0<α<1）。

β，聚集因子（通常 β∈[0,2]）。

r1,r2，随机数（0<r1,r2<1）。

P，迁徙概率（通常 P=0.1）。

2.算法计算流程

1. 觅食行为位置更新

火烈鸟向全局最优解方向移动，公式：

X_{i}^{t+1}=X_{i}^{t}+\alpha \cdot r_{}\cdot \left ( X_{best}^{t}-X_{i}^{t} \right )

2. 社交聚集行为位置更新

火烈鸟向群体中心移动，平衡局部搜索，公式：

X_{i}^{t+1}=X_{i}^{t}+\beta \cdot r_{2}\cdot \left ( X_{mean}^{t}-X_{i}^{t} \right )

3. 迁徙行为（全局探索）

当随机数小于迁徙概率 P 时，火烈鸟随机迁徙到新位置，跳出局部最优：

X_{i}^{t+1}=X_{min}^{}+r_{3}\cdot \left ( X_{max}-X_{min} \right )

其中

是解空间的上下界，r3 是随机数。

4. 综合位置更新

实际实现中，会融合上述三种行为。

三、实例代码解释

模块一：核心库导入

import numpy as np

模块二：定义目标函数

def sphere_function(x): """ Sphere函数：用于测试优化算法的经典函数，最小值在x=0处，值为0 参数x：单个火烈鸟的位置（d维向量） 返回：函数值（越小越优） """ return np.sum(x**2)

模块三：定义 Flamingo 算法类

class FlamingoOptimization: def __init__(self, pop_size=50, dim=2, max_iter=100, x_min=-10, x_max=10, alpha=0.5, beta=1.5, P=0.1): """初始化参数""" self.pop_size = pop_size # 种群规模（火烈鸟数量） self.dim = dim # 解空间维度（比如2维就是找(x1,x2)使函数最小） self.max_iter = max_iter # 最大迭代次数（算法终止条件） self.x_min = x_min # 解空间下界（比如x1/x2的最小值） self.x_max = x_max # 解空间上界 self.alpha = alpha # 觅食步长因子（控制向最优解移动的步长） self.beta = beta # 聚集因子（控制向群体中心移动的步长） self.P = P # 迁徙概率（触发全局探索的概率） # 初始化种群位置：随机生成50个2维向量，每个元素在[-10,10]之间 self.population = np.random.uniform(low=x_min, high=x_max, size=(pop_size, dim)) # 计算每个火烈鸟的适应度（目标函数值） self.fitness = np.array([sphere_function(ind) for ind in self.population]) # 找到初始全局最优：适应度最小的火烈鸟位置和值 self.gbest_pos = self.population[np.argmin(self.fitness)].copy() self.gbest_fit = np.min(self.fitness)

模块四：单次迭代更新逻辑

def update(self): """单次迭代的位置更新逻辑（核心）""" # 计算种群平均位置（社交聚集的中心） mean_pos = np.mean(self.population, axis=0) for i in range(self.pop_size): # 生成随机数（用于公式中的r1, r2, r4） r1 = np.random.random() # 0-1之间的随机数，控制觅食步长的随机性 r2 = np.random.random() # 0-1之间的随机数，控制聚集步长的随机性 r4 = np.random.random() # 0-1之间的随机数，判断是否触发迁徙 if r4 > self.P: # 情况1：不触发迁徙，执行觅食+聚集行为 # 公式：X_i^{t+1} = X_i^t + α*r1*(X_best - X_i) + β*r2*(X_mean - X_i) self.population[i] = self.population[i] + \ self.alpha * r1 * (self.gbest_pos - self.population[i]) + \ self.beta * r2 * (mean_pos - self.population[i]) else: # 情况2：触发迁徙，随机生成新位置（全局探索） # 公式：X_i^{t+1} = X_min + r3*(X_max - X_min) r3 = np.random.random(size=self.dim) # 每个维度生成一个随机数 self.population[i] = self.x_min + r3 * (self.x_max - self.x_min) # 边界处理：确保位置不超出解空间（比如x1/x2不会小于-10或大于10） self.population[i] = np.clip(self.population[i], self.x_min, self.x_max) # 更新所有火烈鸟的适应度 self.fitness = np.array([sphere_function(ind) for ind in self.population]) # 更新全局最优：如果当前迭代的最优比历史最优更好，则替换 current_best_idx = np.argmin(self.fitness) current_best_fit = self.fitness[current_best_idx] if current_best_fit < self.gbest_fit: self.gbest_fit = current_best_fit self.gbest_pos = self.population[current_best_idx].copy()

模块五：运行完整算法

def run(self): """运行完整的Flamingo算法""" for iter_num in range(self.max_iter): self.update() # 每次迭代执行位置更新 # 每10次迭代打印一次结果，监控算法收敛过程 if (iter_num + 1) % 10 == 0: print(f"迭代次数：{iter_num+1:3d} | 全局最优适应度：{self.gbest_fit:.6f}") return self.gbest_pos, self.gbest_fit

模块六：主函数运行

if __name__ == "__main__": # 初始化算法实例 fo = FlamingoOptimization( pop_size=50, # 50只火烈鸟 dim=2, # 2维解空间 max_iter=100, # 迭代100次 x_min=-10, # 解空间下界-10 x_max=10 # 解空间上界10 ) # 运行算法 best_pos, best_fit = fo.run() # 输出最终结果 print("\n==================== 最终结果 ====================") print(f"最优位置：{best_pos}") print(f"最优适应度（函数最小值）：{best_fit:.6f}")

运行结果

==================== 最终结果 ====================
最优位置：[0.01060456 0.00298532]
最优适应度（函数最小值）：0.000121

核心结论：这份结果表明 Flamingo 算法有效收敛到了 Sphere 函数的近最优解，最优位置接近 (0,0)，适应度 0.000121 是极小值，算法达到了优化目标；
收敛特征：前 30 次快速收敛，30 次后停滞，体现了元启发式算法 “先探索、后开发” 的典型特征；
结果准确性：最优适应度和最优位置的计算完全匹配，验证了代码实现的正确性，只是受参数 / 迭代次数限制未达到理论最优（0）。

四、总结

核心逻辑：Flamingo 算法通过模拟火烈鸟的觅食（向最优解移动）、聚集（向群体中心移动）、迁徙（全局探索）行为，平衡 “探索” 和 “开发”，实现最优解搜索；
数学核心：位置更新公式分为 “觅食 + 聚集”（局部求精）和 “迁徙”（全局探索）两部分，通过随机数和概率控制行为切换；
代码关键：核心是种群位置的迭代更新，需注意边界处理、适应度计算和全局最优的实时更新，确保算法收敛。