群智能概念
假定你和你的朋友正在執行尋寶的任務，這個團隊内的每個人都有一個金屬探測器，并能把自己的通信信号和目前位置傳給n個最鄰近的夥伴。是以，每個人都知道是否有一個鄰近夥伴比他更接近寶藏。如果是這種情況，你就可以向該鄰近夥伴移動。這樣做的結果就使得你發現寶藏的機會得以改善，而且，找到該寶藏也可能要比你單人尋找快得多。
這是一個對群行為(swarm behavior)的極其簡單的執行個體，其中，群中各個體互動作用，使用比單一個體更有效的方法去求解全局目标。
人工智能
可把群(swarm)定義為某種互動作用的組織或 agent之結構集合。在群智能計算研究中，群的個體組織包括螞蟻、白蟻、蜜蜂、黃蜂、魚群和鳥群等。在這些群體中，個體在結構上是很簡單的，而它們的集體行為卻可能變得相當複雜。例如，在一個蟻群中，每隻螞蟻個體隻能執行一組很簡單任務中的一項，而在整體上，螞蟻的動作和行為卻能夠確定建造最佳的蟻巢結構、保護蟻後和幼蟻、清潔蟻巢、發現最好的食物源以及優化攻擊政策等全局任務的實作。
群社會網絡結構形成該群存在的一個集合，它提供了個體間交換經驗知識的通信通道。群社會網絡結構的一個驚人的結果是它們在建立最佳蟻巢結構、配置設定勞力和收集食物等方面的組織能力。
群計算模組化已獲得許多成功的應用，例如，功能優化、發現最佳路徑，排程、結構優化以及圖像和資料分析等。從不同的群研究得到不同的應用，其中，最引人注目的是對蟻群和鳥群的研究工作。下面将分别綜述這兩種群智能的研究情況。其中，粒子群優化方法是由模拟鳥群的社會行為發展起來的，面蟻群優化方法主要是由建立螞蟻的軌迹跟蹤行為模型而成的。
粒子群模型
粒子群優化概念
粒子群優化(particle swarm optimization，PSO)算法是一種基于群體搜尋的算法，它建立在模拟鳥群社會的基礎上。粒子群概念的最初含義是通過圖形來模拟鳥群優美和不可預測的舞留動作，發現鳥群支配間步飛行和以最佳隊形突然改變飛行方向并重新編隊的能力。這個概念已被包含在一個簡單和有效的優化算法中。
在粒子群優化中，被稱為粒子(particle)的個體是通過超維搜尋空間“流動”的。粒子在搜尋空間中的位置變化是以個體成功地超過其他個體的社會心理意向為基礎的，是以，群中粒子的變化是受其鄰近粒子(個體)的經驗成知識影響的。一個粒子的搜尋行為受到群中其他粒子的搜尋行為的影響。由此可見，粒子群優化是一種共生合作算法，。建立這種社會行為模型的結果是，在搜尋過程中，粒子随機地回到搜尋空間中一個原先成功的區域。
粒子群優化
粒子群優化與進化計算的比較
粒子群優化紮根于一些交叉學科，包括人工生命，進化計算和群論等。粒子群優化與進化計算存在一些相似和相異之處。兩者都是優化算法，都力圖在自然特性的基上模拟個體種群的适應性。它們都采用機率變換規則通過搜尋空間求解。這些就是粒子群優化和進化計算的相似之處。
粒子群優化與進化計算也有兒個重要的差別。粒子群優化有存儲器，而進化計算沒有粒子保持它們及其鄰域的最好解答。最好解答的曆史對調整粒子位置起到重要作用。此外，原先的速度被用于調整位置，然這兩種算法都建立在适應性的基上，但是粒子群優化的變化是通過向同等的粒子學習面不是通過遺傳來重組和變異得到的，粒子群優化不用适應度函數而是由同等粒子間的社會交工作用來帶動搜尋過程的。