群知能（ぐんちのう、むれちのう、swarm intelligence, SI）は、分権化し自己組織化されたシステムの集合的ふるまいの研究に基づいた人工知能技術である。「群知能」という用語は、1989年 Beni および Wang が提唱したもので、セルラーロボットシステムに関して使ったのが最初である[1](セル・オートマトン、進化的計算も参照されたい)。

SIシステムは一般に単純なエージェントやボイドの個体群から構成され、各個体はローカルに互いと、そして彼らの環境と対話する。個々のエージェントがどう行動すべきかを命じている集中的な制御構造は通常存在しないが、そのようなエージェント間の局所相互作用はしばしば全体の行動の創発(emergence)をもたらす。このようなシステムの自然界の例として、アリの巣、鳥の群れ、動物の群れ、細菌のコロニー、魚の群れなどがある。[2]

群ロボット工学は群知能の考え方を多数の安価なロボット群に適用するものである。
アルゴリズムの例
利他的アルゴリズム

スイスの研究者らは、血縁選択説のハミルトン則に基づくアルゴリズムを開発した。このアルゴリズムは、群における利他的行動が時間とともにどのように発展し、群としてのより効果的な行動を生じるかを示す[3][4]。
蟻コロニー最適化

蟻コロニー最適化(ACO)は難しい組み合わせ最適化問題の近似解を探索するのに使われるメタヒューリスティックな最適化アルゴリズムである。ACOでは、現実の蟻を真似た人工蟻が問題のグラフ上を移動することで解を構築しようとする。このとき、グラフ上に人工のフェロモンを置くことでその後の人工蟻がよりよい解を探索できるようにする[5]。ACOは多数の最適化問題で効力を発揮してきた。
人工蜂コロニーアルゴリズム

人工蜂コロニーアルゴリズム（英語版） (ABC) は、2005年 Karaboga が提案したアルゴリズムで[6]、ミツバチの採餌行動に基づいている。ABCアルゴリズムは、収穫蜂、追従蜂、偵察蜂の行動に基づいた3フェーズからなる。収穫蜂と追従蜂のフェーズでは、解候補近傍の局所探索を行うが、収穫蜂は決定論的に解候補を選択し、追従蜂は蓋然論的に解候補を選択する。偵察蜂フェーズは、採餌行動において尽きた食糧源を捨てる行動を真似たもので、探索の進捗において有益ではなくなった解候補を捨て、探索空間の新たな領域を探索するための新たな解候補を挿入する。このアルゴリズムは知識利用と探査のバランスをうまくとっている。
人工免疫システム

人工免疫システム (AIS) は、免疫系の抽象構造と機能をコンピュータシステムに応用したもので、数学/工学/情報技術などの問題を解くのに使われる。
荷電系探索

荷電系探索 (Charged System Search, CSS) は物理学と力学の法則に基づいた新たなアルゴリズムである[7]。CSSで活用する物理法則は、クーロンの法則とガウスの法則とニュートン力学の諸法則である。CSSはマルチエージェント式で、各エージェントは荷電粒子 (CP) である。CP同士は個々が持つ適応度の値と距離に基づいて相互に影響を及ぼす。それによって生じる力の大きさはクーロンの法則やガウスの法則で計算し、それによってどれだけ動くかはニュートン力学で計算する。CSSはあらゆる最適化問題を扱えるが、特に滑らかでも凸でもない領域に適している。知識利用と探査のバランスがよい。
カッコウ探索

カッコウ探索（英語版） (CS) は、カッコウの托卵行動（他の鳥の巣に卵を産みつけて育てさせる行動）にヒントを得たものである。カッコウ探索アルゴリズム[8]は、レヴィ分布から得られるジャンプステップを伴うレヴィフライト（英語版）によって強化される[9]。最近の研究によれば、CSは粒子群最適化などの他のアルゴリズムを凌駕しているという。例えば、カッコウ探索とPSO、DE、ABCとの比較で、PSOやABCに比べてCSとDEの結果がより頑健だとされた[10]。
ホタルアルゴリズム

ホタルアルゴリズム (Firefly Algorithm, FA) はホタルの点滅にヒントを得た群知能アルゴリズムの一種である。光の強さがホタルの誘引度を表し、その誘引によって群が小グループに分割され、それぞれ局所的モードに集まる。したがってホタルアルゴリズムは多峰性の最適化問題に特に適している[11]。実際には、連続的最適化、巡回セールスマン問題、クラスタリング、画像処理と特徴抽出などに適用されている。
重力探索アルゴリズム

重力探索アルゴリズム (Gravitational Search Algorithm, GSA) は万有引力の法則と質量の相互作用に基づいている。GSAはニュートン力学を用い、探索エージェントとして質量群を使う。質量群の孤立した系を想定する。系内の質量は周辺の質量との重力の影響を受ける[12]。GSAにおけるエージェントは物体であり、その質量は適応度に対応している。万有引力の法則に従ってエージェント同士が互いに引き付け合い、あらゆる物体がより大きな質量を持つ物体へと引き付けられるように運動することになる。よりよい解がより大きな質量に対応する。エージェントの位置が問題の解に対応し、適応度関数によって質量が求められる（解空間内の位置によって適応度は異なるので、エージェントの移動に伴ってその質量も変化する）。時間経過に伴い、個々の質量は最も重い質量に引き付けられることになる。この質量が探索空間の最適解を表していることが望まれる。非優越ソート重力探索アルゴリズム (NSGSA) はGSAの複数目的関数版で、2011年に Nobahari と Nikusokhan が提案した[13]。