مسئله ی یافتن کلیک بیشینه گراف maximum clique problem (mcp)، از جمله مسائل np-complete است که به یافتن بزرگترین زیرگراف کامل در یک گراف ساده اشاره دارد و در موارد متنوعی از جمله نظریه کدگذاری، هندسه و شبکه های اجتماعی کاربرد دارد. در این پژوهش الگوریتمی ترکیبی برای حل مسئله ی کلیک بیشینه گراف پیشنهاد شده است. این الگوریتم ترکیبی از یک روش حریصانه ابتکاری و الگوریتم های مبتنی بر هوش جمعی بهینه سازی کلونی مورچگان ant colony optimization (aco) و بهینه سازی ازدحام ذرات particle swarm optimization (pso) می باشد، طوری که این روشدر دو مرحله ی الگوریتم حریصانه ابتکاری به عنوان مرحله ی اول و الگوریتم هوش جمعی aco-psoبه عنوان مرحله دوم به یافتن کلیک بیشینه می پردازد. در مرحله ی اول، الگوریتم حریصانه ابتکاری با استفاده از ویژگی های بزرگترین درجات رئوس و تعداد رئوس مجاور مشترک به یافتن کلیک بیشینه می پردازد. در صورت پیدا نشدن کلیک بیشینه توسط الگوریتم حریصانه ابتکاری، نتیجه غیربهینه (نزدیک به بهینه) آن به عنوان بخشی از جمعیت اولیه برای مرحله دوم، یعنی الگوریتم هوش جمعی، مورد استفاده قرار می گیرد. این محدودیت در انتخاب جمعیت اولیه منجر به نتایج مناسبی در حل mcpمی گردد. نتایج شبیه سازی این روش روی گراف های استاندارد dimacsو شبکه های اجتماعی، نتایج مطلوبی را از نظر اندازه کلیک های یافت شده در مقایسه با سایر روش ها نشان می دهد.