综上所述，群体智能算法较传统优化算法具有简单、并行、适用性强等优点，它不要求问题连续可微，特别适用于具有高度可重入性、高度随机性、大规模、多目标、多约束等特征的各类典型优化问题求解。但是，由于群体智能计算是一种新兴的理论，其理论基础还不够完善，数学基础相对薄弱，因此，如何提高算法在解空间内的搜索效率，算法收敛性分析与证明以及对算法模型框架本身的研究都需要在理论上进行更深入的探索，特别是对群体智能归纳出统一的计算模式和框架建模理念。可以预知，在这方面的研究突破会极大地推进群体智能研究的发展。
以智能计算所包含的各主题研究领域来看，除了上述的两种典型的群体智能算法——智能蚁群算法和粒子群算法以外，目前得到广泛关注的还有：进化计算、神经网络计算、人工免疫系统、生态计算及其他相关复杂自适应计算等。例如，人工神经网络是由大量人工神经元广泛连接构成的复杂网络系统，并在一定的算法指导下，使其能在某种程度上模拟生物神经网络所具有的智能行为。分布估计算法是一种基于概率模型的新型进化算法，通过对当前找到的较优个体集合建立概率模型来引导算法下一步的搜索范围，并从所获得的较优解的概率分布函数中抽样产生新的个体。人工免疫系统是借鉴自然免疫系统机制来模拟免疫学功能、原理和模型来解决复杂问题的自适应系统。这些领域研究均以自然界中有益的信息处理机制为对象，具有有效模仿自然界各类运行机制的特点，并且通常具有自学习、自组织和自适应等典型特征，可以共同归为自然计算的范畴。而且更为重要的是，这几类智能计算模式均建立在大量个体之间的协作关系，通过获取启发式信息朝着更好的方向进化。
群体智能来源于对自然界中生物群体行为的模拟，而智能个体在群体中的行为在很多方面类似于生物群体在自然环境中的生态行为，物种乃至整个生态系统的进化都离不开种群之间的协同作用。因此，可以从自然界中获取很多有参考意义的科学法则以及相关理论，用来指导群体智能计算模式研究及算法改进。例如，借鉴自然界中种群生态学中的竞争、捕食和协同进化等机制以及自然系统中的混沌现象与机理以及运行规律(如万有引力)来进行群体智能计算模式的设计与改进研究将是一个很有意义的研究领域。 群体智能算法的研究现状(2):http://www.youerw.com/yanjiu/lunwen_16246.html