群体智能是一种计算方法，其灵感来自自然界中观察到的集体行为，如蚁群、鸟群或蜂群。它侧重于通过分散的、自组织的简单代理系统来解决复杂问题。其核心思想是，个体代理遵循的简单规则，结合局部交互，可以产生涌现的全局智能。这种方法特别适用于优化、路由和决策制定任务，在这些任务中，集中控制是不切实际的。
第一个关键原则是去中心化控制。系统中每个代理不是依赖于中央权威，而是根据本地信息和交互做出决策。例如，在蚁群优化 (ACO) 中，人工蚂蚁会在它们行走的路径上留下信息素。其他蚂蚁会感知到这些信息素，并以概率方式选择浓度较高的路径，从而在没有中央规划者的情况下产生高效的路线。类似地，在粒子群优化 (PSO) 中，单个粒子会根据自己的经验和相邻粒子的最佳已知位置来调整其轨迹。这个原则允许系统动态地适应变化，因为代理会对本地条件做出反应，而不是等待全局更新。
第二个原则是自组织，结构化的行为来自代理之间的交互，而没有明确的自上而下的协调。例如，在集群算法（如 Boids）中，三个简单的规则——分离（避免拥挤）、对齐（朝平均方向转向）和内聚（朝平均位置移动）——可以产生栩栩如生的群体运动。开发人员使用这些规则来模拟人群行为或优化分布式传感器网络。另一个例子是机器人集群，机器人通过共享本地传感器数据来协作绘制环境地图。自组织确保了可扩展性：添加更多代理不需要重新设计系统，因为每个代理都遵循相同的基本规则。
第三个原则是鲁棒性和容错性。群体系统具有弹性，因为单个代理的故障不会瘫痪整个系统。例如，在执行搜索和救援任务的无人机集群中，丢失几个无人机不会停止任务——其他无人机会自动重新分配任务。这是通过冗余和分布式决策来实现的。开发人员将此原则应用于分布式计算，其中负载平衡或数据复制等任务由去中心化的算法（例如，gossip 协议）处理。通过避免单点故障，基于群体的系统即使在不可预测的条件下也能保持功能，使其适用于网络路由或灾难响应等实际应用。