群体智能中的社会影响是指在一个分散系统中，个体代理根据与相邻代理的互动来调整其行为的机制。这个概念的灵感来自于像鸟群、鱼群或蚁群这样的自然系统，在这些系统中，集体行为是从简单的局部规则中产生的。在计算方面，每个代理（例如，机器人、算法或数据点）通过观察或与附近的代理通信来做出决策，从而在没有集中控制的情况下实现协调的群体行动。例如，在粒子群优化算法中，每个粒子根据其自身的经验和邻居的最佳已知位置来调整其轨迹，从而在探索和利用之间取得平衡。
一个关键的例子是蚁群优化 (ACO)，在这种优化中，人工蚂蚁在它们经过的路径上留下信息素。其他蚂蚁检测到这些信息素，并且更可能沿着浓度更高的路径前进。这种正反馈循环使蚁群能够有效地找到最短路径，模拟真实的蚂蚁行为。实施 ACO 的开发人员可能会定义信息素更新规则和蒸发率，以控制蚂蚁之间相互影响的强度。同样，在机器人群中，机器人可以使用接近传感器来跟踪附近机器人的移动方向，从而实现像避开障碍物或集群这样的突发模式。这些系统依赖于参数来确定代理给予社会信息的权重与自身目标的权重。
对于开发人员来说，在设计基于群体的算法或分布式系统时，理解社会影响至关重要。它会影响在诸如优化、路由或资源分配等任务中的性能。例如，在受群体智能启发的负载均衡系统中，服务器可以通过观察相邻服务器的状态来调整其工作负载分配。但是，调整不当的社会影响参数可能导致诸如过早收敛（群体陷入次优解决方案）或混乱行为等问题。平衡个体自主性和集体指导通常需要迭代测试——例如，调整代理考虑的邻居数量或它加权其输入的方式。这些原则广泛适用，从使用基于群体的梯度训练神经网络到协调无人机群进行搜索和救援行动，使社会影响成为分散式 AI 系统中的基本概念。