群体智能

粒子群法（PSM）是一种群体智能数值优化方法，无需知道被优化函数的确切梯度。PSM 由 Kennedy、Eberhart 和 Shieh 证明，最初设计用于模拟社会行为。该算法经过简化后，被认为适用于进行优化。肯尼迪和埃伯哈特在书中描述了 PSM 和所谓的蜂群智能的许多哲学方面。Field 对 PSM 的应用进行了深入研究。

PSM 通过维持一个可能的解决方案群体（称为粒子），并根据一个简单的公式在解决方案空间中移动这些粒子，来优化一个函数。重新定位遵循的原则是在该空间中找到最佳位置，并随着粒子找到有利位置而不断变化。

蚂蚁算法是一种有效的多项式算法，可用于寻找旅行推销员问题的近似解，以及类似的图上寻路问题。该方法由比利时研究员 Marco Dorigo 提出。

该方法的本质是分析和使用蚂蚁寻找从蚁穴到食物的路线的行为模型。该算法基于蚂蚁群落的行为——用大量信息素标记成功路径。

人工蜂群算法是一种基于 Karabogh 于 2005 年提出的元启发式算法的蜂群算法。它模仿蜜蜂的觅食行为。ABC 算法包括三个阶段：工蜂、主管蜂和侦察蜂。工蜂根据工蜂的确定性选择和主管蜂的概率性选择，在解决方案的邻域内使用局部搜索算法。侦察蜂在觅食过程中会剔除耗尽的食物源。在这个类比中，对寻找解决方案不再有用的解决方案会被丢弃，而新的解决方案会被添加进来。

人工免疫系统是一种自适应计算系统，它使用理论免疫学中描述的模型、原理、机制和功能，并将其应用于解决应用问题。

尽管人们对自然免疫系统还不完全了解，但至少有三种理论可以解释免疫系统的功能并描述其各要素之间的相互作用，即负选择理论、克隆选择理论和免疫网络理论。这些理论构成了为免疫系统的运作创建三种算法的基础。

灰狼算法是一种元启发式优化算法，由 S. Miramunic 和 J. R. Miramunic 于 2014 年提出。该算法基于模拟自然界中狼的社会行为和等级制度。

该算法使用四种狼：阿尔法狼、贝塔狼、德尔塔狼和欧米茄狼。阿尔法狼主导并决定狩猎方向，贝塔狼服从并帮助阿尔法狼，三角狼帮助其他狼并追随领导者，而欧米茄狼通常追随其他狼并承担大部分工作。算法中使用这种层次结构来更新狼群的位置，并找到全局最优。

重力搜索算法是一种基于万有引力定律和质量相互作用概念的搜索算法。该算法基于牛顿物理学中的万有引力理论。该算法使用引力质量作为搜索代理。

瑞士的研究人员在汉密尔顿族选择法则的基础上开发了一种算法。该算法展示了蜂群中个体的利他主义如何随着时间的推移而演变，并导致更有效的蜂群行为。

智能水滴算法是一种基于优化算法的蜂群算法，它采用了自然河流的方法，以及它们如何找到接近最优路径到达目的地的方法。

杜鹃算法由杨新社和苏阿什·德布于 2009 年开发。该算法的灵感来源于某些杜鹃物种的巢寄生行为。