La búsqueda eficiente de múltiples objetivos en entornos complejos con percepción limitada y capacidades computacionales es un desafío para varios robots, que pueden coordinar sus acciones indirectamente a través de su entorno. En este contexto, la inteligencia de enjambre ha sido una fuente de inspiración para abordar problemas de búsqueda de múltiples objetivos en la literatura. Hasta ahora, se han propuesto varios algoritmos para resolver este problema, y en este estudio proponemos dos nuevos algoritmos de búsqueda de múltiples objetivos inspirados en el algoritmo de luciérnaga. A diferencia del algoritmo de luciérnaga convencional, donde la luz es un factor de atracción, la luz representa un efecto negativo en nuestros algoritmos propuestos. Al descubrir objetivos, los robots emiten luz para repeler a otros robots de esa región. Este comportamiento repulsivo tiene como objetivo lograr varios objetivos: (1) dividir el espacio de búsqueda entre diferentes robots, (2) expandir la región de búsqueda evitando áreas ya exploradas y (3) prevenir la congestión entre robots. Los algoritmos propuestos, llamados Algoritmo de Luciérnaga Global Cortacésped (GLFA) y Algoritmo de Luciérnaga Rebote Aleatorio (RBFA), integran un comportamiento basado en la luz inversa con dos caminatas aleatorias: rebote aleatorio y cortacésped global. Estos algoritmos fueron implementados y evaluados utilizando el simulador ArGOS, demostrando un rendimiento prometedor en comparación con enfoques existentes.