群体智能算法是人工智能领域不可或缺的一部分,广泛应用于各类优化问题的求解中,并取得了很好的效果。相比其丰硕的应用研究成果,群体智能算法的理论研究相当匮乏,尤其是计算时间的研究。然而,计算时间的研究能够让人们更好地理解算法,理解算法的参数,也能够让人们更好地对参数进行设置。在群体智能算法中,粒子群优化算法(Particle Swarm Optimization,PSO)和蚁群算法(Ant Colony Optimization,ACO)是两个典型的算法,分别广泛地应用于连续优化问题和离散优化问题中。因此,本文将通过理论推导的方式对PSO和ACO的计算时间进行分析。然而,复杂的理论推导难以对复杂高效的真实算法进行计算时间分析,因此,本文在理论推导之后,提出了实验估算方法,通过理论结合实验的方式,对PSO和ACO的计算时间进行估算。本文的研究内容主要分为以下四个部分。第一部分通过理论推导的方式,分析了两个单粒子PSO的计算时间。本文利用了平均增益的计算时间分析工具,通过计算算法每次迭代的概率分布,来计算算法的平均增益,进而得到算法的计算时间,并进一步对比了两个算法的计算时间。第二部分改进了现有的估算方法,估算了两个PSO变体的计算时间。现有的估算方法可用于连续型优化算法的计算时间估计,但是其估算结果无法看出算法参数对计算时间的影响。故本文改进了现有的估算方法,估算结果能够看出算法参数对计算时间的影响,并通过这一方法对两个PSO变体的计算时间进行估算,并通过估算结果讨论这些算法的参数对计算时间的影响。第三部分通过理论推导的方式,对比了两个蚁群系统算法(Ant System,AS)的计算时间。信息素矩阵是AS运行过程中维护的一个指导算法搜索方向的矩阵。本文通过分析算法信息素矩阵的变化,对比了两个算法的计算时间。第四部分提出了一个离散型优化问题的估算方法,估算了几个ACO变体的计算时间。本文在现有的连续型优化算法计算时间估算方法的基础上,提出了一个离散型优化算法的估算方法,并用于估算几个ACO变体的计算时间。