چندین الگوریتم اکتشافی جدید براي حل مسایل بهینه سازي عددي و توابع ترکیبی توسعه یافته اند. این الگوریتم ها می توانند به گروههاي مختلف طبقه بندي شوند با توجه به ضوابطی که در نظر گرفته شده: مانند بر اساس جمعیت ، مبتنی بر تکرار شونده، تصادفی ، قطعی ، و غیره. در حالی که الگوریتم با یک مجموعه راه حل هاکار میکند و در جهت بهبود آنها تلاش می کنند که مبتنی بر جمعیت نامیده می شوند ، یکی از کاربرد تکرار هاي چندگانه براي پیداکردن راه حل مطلوب که به عنوان الگوریتم تکرار شونده نام گذاري شده است. اگر یک الگوریتم یک قانون احتمالی را براي بهبود راه حل بکار بگیرد سپس آن را احتمال یا اتفاقی نامیده میشود.

یکی دیگر از طبقه بندي را می توان بسته به ماهیت پدیده توسط الگوریتم شبیه سازي کرد.این نوع طبقه بندي ، عمدتا داراي دو گروه مهم از الگوریتم جمعیت هستند که براساس : الگوریتم هاي تکاملی (EA) و الگوریتم هاي مبتنی بر هوش جمعی.

از محبوب ترین الگوریتم هاي تکاملی الگوریتم ژنتیک (GA) است در GA تلاش شده است تکامل طبیعی یک پدیده شبیه سازي شود. در تکامل طبیعی ، هر گونه جستجو براي سازگاري سودمند در یک محیط در حال تغییر است.

به عنوان یک گونه تکامل یافته ، ویژگی هاي جدیدي در کروموزوم هاي فردي کد گذاري می شوند. این اطلاعات توسط جهش تصادفی تغییرمی یابد ، اما بطورواقعی نیروي محرکه باعث توسعه تکاملی درترکیب و جایگزینی مواد کروموزومی در طول تولید مثل میشود. اگر چه تلاش هاي متعددي براي گنجاندن این اصول در روال بهینه سازي دراوایل دهه 1960 انجام شده ، الگوریتم هاي ژنتیک براي اولین بار بر یک مبناي نظري صوتی ایجاد شده بودند. این اصطلاح جمعی در حالت کلی براي اشاره به هر مجموعه دار ازتعامل افراد مورد استفاده قرار می گیرد. به عنوان یک مثال کلاسیک از ازدحام زنبورهایی که در اطراف کندوي خود تجمع کردند ، اما در استعاره به راحتی می توان به سیستم هایی معماري مشابهی دارند توسعه داد. در کلونی مورچه ها،مورچه ها می توانند به عنوان گروهی ازعوامل تصور شوند ، همچنین ازدحام پرندگان گروهی از پرندگان است.

یک سیستم ایمنی ، گروهی از سلول ها ومولکول ها است در حالی که یک جمعیت شامل گروهی از مردم است. الگوریتم بهینه سازي ازدحام ذرات (PSO) شبیه سازي می کند رفتار اجتماعی پرندگان یا ماهی ها توسط ابرهارت و کندي در سال 1995 معرفی شده است. روش هاي گوناگونی به مدل رفتار هوشمند خاص ازدحام زنبور عسل پیشنهاد شده است و براي حل مسایل از نوع ترکیبی استفاده شده است.آنها یک ایده روبات بر رفتار جستجوي غذا از زنبورها را ایجاد کرده اند . معمولا ، همه این ربات از لحاظ فیزیکی و عملکرد یکسان هستند ، به طوري که هر ربات را می توان به طور تصادفی جایگزین دیگري کرد. ازدحام داراي تحمل قابل توجهی است ؛ شکست در یک عامل عملکرد کل سیستم را متوقف نمی کند. روبات هاي فردي ، مانند حشرات ، داراي قابلیت هاي محدود و دانش محدود از محیط زیست است. از سوي دیگر ، توسعه ازدحام هوش جمعی است. آزمایشات نشان داد که رباتها مانند حشرات مانند در انجام وظایف واقعی رباتیک موفق هستند.

آنها همچنین یک مدل انتخاب علوفه را توسعه داده اند که منجر به ظهور هوش جمعی می شود که متشکل از سه اجزاي ضروري است: منابع غذایی ، کارگرهایی که پی علوفه می گردند و ، کارگرهایی که پی علوفه نمی گردند. این مدل دو رفتار برجسته را تعریف می کند: استفاده به یک منبع شهد و رها کردن یک منبع.

تئودور واس به استفاده از هوش جمعی زنبوردر توسعه سیستم هاي مصنوعی با هدف در حل مسایل پیچیده در ترافیک و حمل ونقل پیشنهاد داده است. تئودور واس همچنین پیشنهاد کرد بهینه سازي متا اکتشافی کلونی زنبور عسل (BCO) که قادر به حل قطعی مسائل ترکیبی ، و همچنین مسائل ترکیبی با مشخصه عدم قطعیت است .

زنبورها ي کارگر، تماشاچیان و پیشرو(طلایه دار). زنبور عسلی که در منطقه رقص براي ایجاد تصمیم به انتخاب یک منبع غذایی باقی می ماند زنبور عسل جستجوگر نامیده می شود ، و زنبور عسلی کهبه طرف منابع غذایی از پیش مشخص شده می رود زنبور عسل کارگر نام دارد. زنبور عسلی که جستجوي تصادفی انجام می دهد زنبور عسل پیشرو یا طلایه دار نام دارد.

در الگوریتم ABC براي اولین بار نیمی از جمعیت زنبورها زنبور کارگر و نیمی دیگر زنبور جستجوگر هستند. براي هرمنبع غذایی ، فقط یک زنبورعسل کارگر وجود دارد. به عبارت دیگر، تعداد زنبورهاي کارگر با تعداد منابع غذایی اطراف کندو با هم برابرند.زنبورعسل کارگر که در کار در منابع غذایی خسته شده اند زنبورهاي جستجو گر پیشرو می شوند.