受蜂群採蜜行為呈現出的群體智能的啟發，土耳其學者D.Karaboga等人在2005年提出了一種新穎的全局優化算法——人工蜂群算法（Artificial Bee Colony Algorithm，簡稱ABC），以解決多變量函數優化問題。目前，ABC算法已在函數優化、神經網絡訓練以及控制工程等領域得到許多成功應用。
下圖給出蜂群算法基本模型包含的三個組成要素：食物源、僱傭蜂（employed foragers）和非僱傭蜂（unemployed foragers）。
蜂群算法基本模型組成要素
食物源的位置即待優化問題的解，其質量由離蜂巢的遠近、花蜜的豐富程度和獲得花蜜的難易程度等多方面的因素決定。蜂群算法使用食物源的「收益率」（profitability）這個參數來代表影響食物源質量的各個因素。質量高的食物源將招募到更多的蜜蜂來採蜜。
被僱傭的蜜蜂是已經找到食物源的蜜蜂，又稱為引領蜂（Leader），每個引領蜂對應一個特定的食物源。引領蜂中儲存了某個食物源的相關信息，如相對於蜂巢的距離、方向、食物源的豐富程度等，並將這些信息以一定的概率與其它蜜蜂分享。
非僱傭的蜜蜂是沒有發現食物源的蜜蜂，又分為偵查蜂（Scouter）和跟隨蜂（Onlooker ）。偵察蜂的任務是搜索蜂巢附近的新食物源；跟隨蜂的任務是在蜂巢中觀察引領蜂的舞蹈提供的信息，並根據這些信息選擇合適的食物源。