目前，对群体智能的研究尚处于初级阶段，但是由于其具有的分布式、自组织、协作性、鲁棒性和实现简单等特点，在诸如优化问题求解、机器人领域、电力系统领域、网络及通讯领域、计算机领域、交通领域和半导体制造领域等取得了较为成功的应用，为寻找复杂问题的解决方案提供了快速可靠的基础，为人工智能、认知科学等领域的基础理论问题的研究开辟了新的途径。因此，群体智能的研究具有重要意义和广阔的应用前景，越来越受到国际智能计算领域学者的关注，逐渐成为一个新的重要研究方向。23260
在群体智能的基础性研究中工作中，主要包括群体智能现象的行为模拟、群体智能计算模式研究和分布式问题求解策略等方面[9]。其中群体智能计算模式研究是其中最为活跃的一个研究分支，相应算法正是在对某些生物群体智能现象模拟研究的基础上提出的。群体智能计算模式研究的具体内容主要包括：群体智能算法设计与改进和群体智能算法在优化问题求解以及工程领域中的应用。
群体行为模拟研究[3]包括：蚁群觅食行为研究；群体分工和任务分配行为研究；巢穴组织和自组织行为研究；筑巢行为和群体合作搬运行为研究；鸟类聚集飞行行为研究等。群体行为研究和计算机仿真为群体智能算法研究提供了思路。论文网
在当前的群体智能领域的研究中，群体智能计算模式的研究，即对典型算法的研究和应用是最为活跃的分支。作为群体智能的一种典型实现，智能蚁群算法[10,11]由M．Dorigo等人于90年代初提出。该算法是一种基于“人工蚁群"的启发式搜索算法，都是从对自然界的观察中受到启发而产生的。目前对蚁群算法的研究，不仅有算法意义上的研究，还有从仿真模型角度的研究，并且不断有学者提出对蚁群算法的改进方案[12]：最大最小蚁群算法、Ant．Q算法、带禁忌搜索策略的蚁群算法、多群体蚁群算法、带变异特征的蚁群算法、自适应蚁群算法、与其他智能算法相结合的蚁群算法等。应当指出，现阶段对蚁群算法的研究还只是停留在仿真阶段，尚未能提出一个完善的理论分析，对它的有效性也没有给出严格的数学解释。由于蚁群算法具有通用性和鲁棒性，在组合优化问题求解领域、计算机领域、机器人领域、电力系统、通讯和化工领域等得到了广泛应用[12]，并取得了较好的效果。
粒子群算法是由J．Kennedy和R．Eberhart于1995年提出的另一种群体智能计算模式[13]。目前，对粒子群算法的研究与改进[14]主要从参数选择与设计、种群拓扑结构、群体组织与进化等方面进行的，并将进化计算中的选择、交叉和变异等特性、混沌、免疫系统的免疫信息处理机制以及热力学中熵的概念等与粒子群算法的寻优机制相结合，提出了相应的混合算法，如进化粒子群算法、高斯变异粒子群算法、免疫粒子群算法和耗散粒子群算法等，有效地增强了算法的收敛性。该算法概念简单，易于计算机实现，并且搜索速度快，搜索范围大，是一种并行、全局性的随机搜索算法，已被用于约束优化问题、函数优化问题、多目标优化问题等典型优化问题的求解之中，并且已在机器人、电力系统、交通运输、通讯、计算机、工程设计与优化、工业生产优化、生物医学、电磁学等领域得到了应用[14]，显示了粒子群算法广泛的应用前景。
从当前的领域研究成果可以看出，群体智能的研究还处于实验仿真和性能验证阶段，缺乏系统性的理论支持。不过，在对群体现象的行为模拟研究中，有研究者构建了模拟生物群体聚集现象的一文和多文连续时间模型，并研究了此类模型的稳定性特性等，还有研究者在存在噪声的环境下构造类似的群体模型并进行稳定性分析。这逐渐成为该领域的研究者关注的问题，对于群体智能理论的系统性提升提供了一定的依据。 群体智能算法的研究现状:http://www.youerw.com/yanjiu/lunwen_16246.html