群体智能中的随机优化是指使用随机性和概率决策，在一个相互作用的智能体群（或“群体”）中寻找解决方案的优化方法。 这些技术灵感来源于自然系统，如鸟群、蚁群或鱼群，其中集体行为从个体智能体遵循的简单规则中产生。 “随机”方面意味着有意识地将随机性纳入智能体的行动中，以更有效地探索解决方案空间、避免局部最优并适应动态环境。 此类别中的常见算法包括粒子群优化 (PSO)、蚁群优化 (ACO) 和萤火虫算法。
例如，在 PSO 中，群体中的每个粒子都会根据自身已知的最佳解决方案和群体的全局最佳方案来调整其位置，但它也包含一个随机速度分量。 这种随机性允许粒子探索已知良好解决方案的直接邻域之外的区域。 类似地，在 ACO 中，人工蚂蚁根据信息素水平（指示路径质量）和一个随机因素来概率性地选择路径，从而使蚁群能够平衡对已知路径的利用和对新路径的探索。 这些随机元素可防止算法过快地收敛到次优解决方案。 开发人员通常将这些方法用于函数优化、路由或调度等问题，由于高维度或非凸景观，传统的基于梯度的方法在这些问题上效果不佳。
随机群体优化的实际价值在于它能够处理复杂的、嘈杂的或不断变化的问题领域。 例如，在机器人技术中，一群无人机可以使用随机规则来搜索某个区域，同时适应障碍物或通信故障。 在机器学习中，超参数调整框架（如 Optuna）利用受 PSO 启发的方法来有效地探索参数组合。 实施这些算法的开发人员通常专注于调整参数，如变异率、种群大小或探索（随机性）和利用（来自现有解决方案的指导）之间的平衡。 虽然随机方法引入了可变性，但它们也需要仔细设计，以确保群体在合理的时间内收敛到有用的解决方案。