飛蛾撲火優化(Moth-flame optimization，MFO)，由Seyedali Mirjalili在2015年提出，為優化領域提供了一種新的啟發式搜尋範式：螺旋搜尋。
飛蛾在夜間有一種特殊的導航方式：橫向定向。即它會與月亮(光源)保持一定的角度飛行，進而能夠保持直線的飛行路徑，但是，這種方式隻在光源離飛蛾較遠的情況下才有效。當有人造光源存在時，飛蛾會被人工燈光所欺騙，一直保持與人造燈光相同的角度飛行，由于它與光源的距離過近，它飛行的路徑已經不是直線，而是一種螺旋的路徑。
受這種自然現象的啟發，Seyedali Mirjalili将飛蛾繞着光源螺旋飛行的過程抽象成為一個尋優的過程，飛蛾飛行的整個空間即是問題的解空間，一隻飛蛾即是問題的一個解，而火焰(光源)即是問題的一個較優解，每一隻飛蛾對應一個光源，避免了算法陷入局部最優；當飛蛾與火焰足夠多的時候，飛蛾的飛行能夠搜尋解空間的絕大部分區域，進而保證了算法的探索能力；而在尋優的過程中，火焰數随着疊代次數的增加而減少，使飛蛾能夠充分搜尋更優解的鄰域空間，保證了算法的利用能力。
正是基于以上特點，MFO在探索與利用之間找到了平衡，進而使算法在優化問題中有一個較好的效果。
總的來說MFO也是一種基于種群的随機啟發式搜尋算法，它與PSO、GSA等算法最大的差別就在于其粒子搜尋路徑是螺旋形的，粒子圍繞着更優解以一種螺旋的方式移動，而不是直線移動。
MFO的過程如下：
1.初始化飛蛾種群
2.對飛蛾種群進行适應度評價
3.重複如下過程直到達到停止标準：
3.1自适應更新火焰個數n，當疊代次數為1時，飛蛾個數即為火焰個數
3.2對飛蛾種群适應度進行排序，取出适應度較好的n個飛蛾作為火焰
3.3更新飛蛾的搜尋參數。
3.4根據每隻飛蛾對應的火焰與飛行參數更新飛蛾的位置
4.輸出所得最優解(火焰)
具體的飛蛾位置更新公式見論文：Moth-flame optimization algorithm: A novel nature-inspired heuristic paradigm
示例：
1 matlab版本
2014a
2 參考文獻
[1] 包子陽,餘繼周,楊杉.智能優化算法及其MATLAB執行個體（第2版）[M].電子工業出版社，2016.
[2]張岩,吳水根.MATLAB優化算法源代碼[M].清華大學出版社，2017.