群体智能算法受自然界分散式系统中集体行为的启发，例如鸟群或蚁群。主要算法包括粒子群优化 (PSO)、蚁群优化 (ACO) 和人工蜂群 (ABC)。这些方法通过模拟群体互动和个体遵循的简单规则来解决优化问题。每种算法都有独特的机制和用例，使其适用于不同类型的问题，从路径寻找到着资源分配。
粒子群优化 (PSO) 模拟鸟类或鱼类的移动。在 PSO 中，“粒子”在搜索空间中移动，根据自身已知最佳位置和群体全局最佳位置调整其位置。开发者常将其用于连续优化问题，例如调整机器学习模型中的超参数。例如，每个粒子的速度和方向使用平衡探索（搜索新区域）和利用（改进已知良好解决方案）的公式进行更新。蚁群优化 (ACO) 模拟蚂蚁如何利用信息素踪迹寻找最短路径。人工“蚂蚁”概率性地沿着模拟信息素标记的路径移动，信息素会随时间蒸发以避免陷入局部最优。ACO 对离散问题有效，例如网络中的路由或解决旅行商问题。人工蜂群 (ABC) 模拟蜜蜂的觅食行为。“工蜂”探索食物来源，“观察蜂”根据反馈选择有希望的来源，“侦察蜂”放弃较差的来源。ABC 对组合优化很有用，例如分布式系统中的任务调度。
开发者根据问题类型和可伸缩性需求选择这些算法。PSO 适用于具有平滑地形的实值问题，而 ACO 在基于图或离散场景中表现出色。ABC 常用于分割问题，例如负载均衡。这三种算法本质上都是并行的，使其适用于分布式计算。但是，它们需要调整参数（例如，群体大小、信息素挥发率）以平衡速度和准确性。虽然存在像萤火虫算法或蝙蝠算法这样的新变种，但它们的应用不如这些算法广泛。当传统优化技术难以处理高维或嘈杂环境时，群体方法尤其有价值，为问题解决提供了灵活、受自然启发的途径。