This HTML5 document contains 243 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
dbthttp://dbpedia.org/resource/Template:
dbpedia-elhttp://el.dbpedia.org/resource/
n28https://www.researchgate.net/profile/Asker_Kazharov/publication/225549674_Ant_colony_optimization_algorithms_for_solving_transportation_problems/links/
wikipedia-enhttp://en.wikipedia.org/wiki/
dbpedia-bghttp://bg.dbpedia.org/resource/
n29http://www.antoptima.com/
dbrhttp://dbpedia.org/resource/
n60http://people.idsia.ch/~gianni/Papers/
dbpedia-arhttp://ar.dbpedia.org/resource/
n35http://www.djoh.net/inde/ANTColony/
dbpedia-hehttp://he.dbpedia.org/resource/
n9http://commons.wikimedia.org/wiki/Special:FilePath/
n32https://github.com/ugochirico/
dbpedia-frhttp://fr.dbpedia.org/resource/
n10https://web.archive.org/web/20131011081948/http:/www.aco-metaheuristic.org/
dctermshttp://purl.org/dc/terms/
rdfshttp://www.w3.org/2000/01/rdf-schema#
dbpedia-cshttp://cs.dbpedia.org/resource/
n52http://www.cs.unibo.it/babaoglu/courses/cas05-06/tutorials/
n11https://www.springer.com/la/book/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n16https://www.kaggle.com/code/jamesmcguigan/
n23http://dbpedia.org/resource/File:
dbphttp://dbpedia.org/property/
xsdhhttp://www.w3.org/2001/XMLSchema#
dbpedia-idhttp://id.dbpedia.org/resource/
n54http://www.scholarpedia.org/article/
dbpedia-ukhttp://uk.dbpedia.org/resource/
dbpedia-srhttp://sr.dbpedia.org/resource/
dbohttp://dbpedia.org/ontology/
dbpedia-pthttp://pt.dbpedia.org/resource/
n4https://web.archive.org/web/20110719105224/http:/ems.eit.uni-kl.de/
n18http://aisii.azc.uam.mx/mcbc/Cursos/IntCompt/
dbpedia-jahttp://ja.dbpedia.org/resource/
dbchttp://dbpedia.org/resource/Category:
n22http://www.midaco-solver.com/
n25http://webspace.webring.com/people/br/raguirre/hormigas/antfarm/
dbpedia-dehttp://de.dbpedia.org/resource/
dbpedia-plhttp://pl.dbpedia.org/resource/
n42http://vk.com/
n45https://web.archive.org/web/20120222061542/http:/iridia.ulb.ac.be/IridiaTrSeries/
yagohttp://dbpedia.org/class/yago/
dbpedia-ruhttp://ru.dbpedia.org/resource/
wikidatahttp://www.wikidata.org/entity/
dbpedia-nlhttp://nl.dbpedia.org/resource/
goldhttp://purl.org/linguistics/gold/
yago-reshttp://yago-knowledge.org/resource/
n40https://global.dbpedia.org/id/
dbpedia-ithttp://it.dbpedia.org/resource/
dbpedia-cahttp://ca.dbpedia.org/resource/
provhttp://www.w3.org/ns/prov#
foafhttp://xmlns.com/foaf/0.1/
n58http://su.dbpedia.org/resource/
n36https://web.archive.org/web/20080616044645/http:/www.nightlab.ch/antsim/
dbpedia-zhhttp://zh.dbpedia.org/resource/
n37http://www.idsia.ch/~luca/
n21http://www.eurobios.com/
dbpedia-trhttp://tr.dbpedia.org/resource/
dbpedia-fahttp://fa.dbpedia.org/resource/
dbpedia-eshttp://es.dbpedia.org/resource/
freebasehttp://rdf.freebase.com/ns/
n34https://www.researchgate.net/profile/Saina_Abolmaali2/publication/312523236_Portfolio_Optimization_using_ant_colony_method_a_case_study_on_Tehran_stock_exchange/links/5ad5cd24a6fdcc29358108d4/
owlhttp://www.w3.org/2002/07/owl#

Statements

Subject Item
dbr:Ant_colony_optimization_algorithms
rdf:type
yago:Chronology106503224 yago:YagoPermanentlyLocatedEntity yago:Record106647206 yago:Algorithm105847438 yago:Rule105846932 yago:Abstraction100002137 yago:Indication106797169 yago:Timeline106504965 yago:Procedure101023820 dbo:TopicalConcept yago:Activity100407535 yago:PsychologicalFeature100023100 yago:WikicatArticlesWhichContainGraphicalTimelines yago:Act100030358 yago:WrittenRecord106502378 yago:WikicatAlgorithms yago:Communication100033020 yago:Event100029378 yago:Evidence106643408
rdfs:label
Algorytm mrówkowy خوارزمية قرية النمل Муравьиный алгоритм Algorithme de colonies de fourmis Ant colony optimization algorithms Algoritma semut Ameisenalgorithmus Optimalizace mravenčí kolonií Algoritmo de la colonia de hormigas Mierenkolonieoptimalisatie Algoritmo delle colonie di formiche Algorisme de la colònia de formigues 蟻コロニー最適化 Colônia de formigas (otimização) Αλγόριθμοι βελτιστοποίησης αποικιών των μυρμηγκιών Мурашиний алгоритм 蚁群算法
rdfs:comment
In computer science and operations research, the ant colony optimization algorithm (ACO) is a probabilistic technique for solving computational problems which can be reduced to finding good paths through graphs. Artificial ants stand for multi-agent methods inspired by the behavior of real ants. The pheromone-based communication of biological ants is often the predominant paradigm used. Combinations of artificial ants and local search algorithms have become a method of choice for numerous optimization tasks involving some sort of graph, e.g., vehicle routing and internet routing. Мурашиний алгоритм (алгоритм оптимізації мурашиної колонії, англ. ant colony optimization, ACO) — один з ефективних поліноміальних алгоритмів для знаходження наближених розв'язків задачі комівояжера, а також аналогічних завдань пошуку маршрутів на графах. Підхід запропонований бельгійським дослідником Марко Доріго (англ. Marco Dorigo). Суть підходу полягає в аналізі та використанні моделі поведінки мурах, що шукають дороги від колонії до їжі. , де: Algorytm mrówkowy – algorytm zaproponowany przez Marco Dorigo, będący probabilistyczną techniką rozwiązywania problemów poprzez szukanie dobrych dróg w grafach. Jest on zainspirowany zachowaniem mrówek szukających pożywienia dla swojej kolonii. W prawdziwym świecie, mrówki poruszają się w sposób losowy; gdy znajdują pożywienie, wracają do swojej kolonii pozostawiając ślad składający się z feromonów. Gdy inna mrówka natknie się na ten ślad, przestaje poruszać się w sposób losowy i podąża za śladem w kierunku pożywienia. * Οι αλγόριθμοι βελτιστοποίησης με βάση την λειτουργία των αποικιών των μυρμηγκιών μελετούνται από την Επιστήμη Υπολογιστών και την περιοχή της Επιχειρησιακής Έρευνας. Πρόκειται για μια πιθανολογική τεχνική για την επίλυση υπολογιστικών προβλημάτων τα οποία αφορούν στην εύρεση βέλτιστων μονοπατιών σε γράφους. Ο συγκεκριμένος αλγόριθμος ανήκει στην οικογένεια των αλγορίθμων "Αποικιών μυρμηγκιών" και στην κατηγορία μεθόδων γνωστές ως "Μέθοδοι Ευφυίας Σμήνους", αποτελεί δε μια μετα-ευριστική βελτιστοποίηση. Ameisenalgorithmen gehören zu den Metaheuristiken für Verfahren der kombinatorischen Optimierung, die auf dem modellhaften Verhalten von realen Ameisen bei der Futtersuche basieren. Die meisten Ameisenalgorithmen erfüllen auch die von vorgestellte ACO (Ant Colony Optimization)-Metaheuristik. Gli algoritmi delle colonie di formiche sono degli algoritmi ispirati dal comportamento delle formiche, o da altre specie che formano un superorganismo, che sono una parte dell'ottimizzazione . Inizialmente proposto da Marco Dorigo et al., nel 1990, per la ricerca dei percorsi ottimali in un grafo, il primo algoritmo si basa sul comportamento delle formiche che cercano un percorso tra la loro colonia e una fonte di cibo. L'idea originale da allora si è diversificata per risolvere una classe più ampia di problemi, facendo quindi emergere diversi algoritmi attingendo da vari aspetti del comportamento delle formiche. 蚁群算法（Ant Colony Optimization，ACO），又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文“Ant system: optimization by a colony of cooperating agents”中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。 O algoritmo da otimização da colônia de formigas (ACO, do inglês ant colony optimization algorithm), introduzido por Marco Dorigo em sua tese de PhD é uma heurística baseada em probabilidade, criada para solução de problemas computacionais que envolvem procura de caminhos em grafos. Este algoritmo foi inspirado na observação do comportamento das formigas ao saírem de sua colônia para encontrar comida. Муравьиный алгоритм (алгоритм оптимизации подражанием муравьиной колонии, англ. ant colony optimization, ACO) — один из эффективных полиномиальных алгоритмов для нахождения приближённых решений задачи коммивояжёра, а также решения аналогичных задач поиска маршрутов на графах. Суть подхода заключается в анализе и использовании модели поведения муравьёв, ищущих пути от колонии к источнику питания, и представляет собой метаэвристическую оптимизацию. Первая версия алгоритма, предложенная доктором наук в 1992 году, была направлена на поиск оптимального пути в графе. Mierenkolonieoptimalisatie is een probabilistische techniek gebruikt voor het bepalen van een kort (maar niet per se het kortste) pad binnen een graaf. De techniek is gebaseerd op het collectief gedrag van mieren in de natuur en maakt onderdeel uit van zwermintelligentie. Les algorithmes de colonies de fourmis (en anglais : ant colony optimization, ou ACO) sont des algorithmes inspirés du comportement des fourmis, ou d'autres espèces formant un superorganisme, et qui constituent une famille de métaheuristiques d’optimisation. 蟻コロニー最適化（ありコロニーさいてきか、Ant Colony Optimization、ACO）とは、Marco Dorigo が 1992年の博士論文で提案したアルゴリズムであり、グラフを使ってよい経路を探すことで単純化できるような計算問題の確率的解法である。これはアリがコロニー（＝群れ）から食物までの経路を見つける際の挙動からヒントを得たものである。 خوارزمية قرية النمل هي طريقة لحل المسائل في الحوسبة بالبحث عن الحلول المثلى في ضمن جملة من الاحتمالات، على نحو شبيه بطريقة النمل في البحث والتقفي. هذه الخوارزمية ضمن عائلة خوارزميات مستعمرة النمل، في أساليب ذكاء السرب، وتشكل بعض تحسينات الأدلة العليا. في البداية اقترح ماركو دوريغو الفكرة في عام 1992 في أطروحته للدكتوراه، كانت الخوارزمية الأولى تهدف إلى البحث عن مسار أمثل في رسم بياني، استنادا إلى سلوك النمل الذي يسعى لإيجاد مسار بين المستعمرات ومصدر للغذاء. وقد تنوعت الفكرة الأصلية منذ ذلك الحين لحل فئة أوسع من المشاكل العددية، ونتيجة لذلك، ظهرت عدة مشاكل، مستندة إلى جوانب مختلفة من سلوك النمل. من منظور أوسع، تقوم الخوارزمية بالبحث القائم على نموذج وتبادل بعض أوجه التشابه مع تقدير خوارزميات التوزيع. En ciencias de la computación y en investigación operativa, el algoritmo de la colonia de hormigas, algoritmo hormiga u optimización por colonia de hormigas (Ant Colony Optimization, ACO) es una técnica probabilística para solucionar problemas computacionales que pueden reducirse a buscar los mejores caminos o rutas en grafos. Optimalizace mravenčí kolonií (v originále Ant Colony Optimization, používá se zkratka ACO) je meta-heuristická technika používaná v oboru umělé inteligence pro hledání přibližných řešení kombinatorických problémů. Technika se inspiruje v chování mravenců při hledání potravy. Řadíme ji mezi další metody využívající inteligence hejna. ACO, jakožto meta-heuristika, popisuje celou třídu algoritmů. Els algorismes de les colònies de formigues són algorismes inspirats en el comportament de les formigues i que constitueixen una família de metaheurístiques d'optimització. Va ser proposat per primera vegada per Marco Dorigo i altres en els anys 90. Per a la investigació de camins òptims en un graf, el primer algorisme s'inspira en el comportament de les formigues que cerquen un camí entre la seva colònia i una font d'aliment. La idea original es diversifica després per resoldre una classe més àmplia de problemes, i apareixen diversos algorismes que s'inspiren en diversos aspectes del comportament de les formigues. Algoritme semut diperkenalkan oleh dan dan secara meluas dikembangkan oleh , merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik melalui grafik. Algoritme ini terinspirasi oleh perilaku semut dalam menemukan jalur dari koloninya menuju makanan.
foaf:depiction
n9:(a)Original_Image_(b)Image_Generated_using_equation(1)_(c)Image_generated_using_equation(2)_(d)_Image_generated_using_equation(3)_(e)Image_generated_using_equation(4).jpg n9:Safari_ants.jpg n9:Aco_shortpath.svg n9:ANT_Antenna_1.jpg n9:ANT_antenna_2.jpg n9:Aco_TSP.svg n9:Knapsack_ants.svg n9:Ant_Colony_Algorihm_applied_to_the_Travelling_Salesman_Problem.gif n9:Artificial_ants.jpg
dcterms:subject
dbc:Nature-inspired_metaheuristics dbc:Articles_which_contain_graphical_timelines dbc:Optimization_algorithms_and_methods
dbo:wikiPageID
588615
dbo:wikiPageRevisionID
1112865549
dbo:wikiPageWikiLink
dbr:Iteration dbr:Pheromone dbr:Otsu's_method dbr:HUMANT_(HUManoid_ANT)_algorithm dbr:Random dbr:Particle_swarm_optimization dbr:Information_retrieval dbr:Bankruptcy_prediction dbr:Probability dbr:Scheduling_algorithm dbr:Operations_research dbr:Sequential_ordering_problem dbr:Travelling_salesman_problem dbr:Electronic_circuit_design dbr:Stochastic_diffusion_search dbr:Vehicle_routing_problem dbr:Set_cover_problem dbr:Multi-agent dbc:Nature-inspired_metaheuristics n23:ANT_Antenna_1.jpg n23:ANT_antenna_2.jpg dbr:Frequency_assignment_problem dbr:Ants dbr:Classification dbr:Simulated_annealing dbr:Collective_intelligence n23:Aco_TSP.svg n23:Aco_shortpath.svg dbr:Intelligent_Water_Drops dbr:People dbr:Honey_bee n23:Knapsack_ants.svg dbr:Parallel_computing n23:Safari_ants.jpg dbr:Ant dbr:Job-shop_scheduling dbr:Optimization_(computer_science) dbr:Artificial_immune_system dbr:Algorithm dbr:Genetic_algorithm dbr:Tabu_search dbr:Social_insects dbr:Parameter_space dbr:Cross-entropy_method dbr:Open-shop_scheduling dbr:Protein_protein_interaction dbr:Partition_problem dbc:Articles_which_contain_graphical_timelines dbr:8-connected dbr:Metaheuristics dbr:Collective_behavior dbr:Stigmergy dbr:Pixel dbr:Positive_feedback dbr:Stochastic dbr:Quadratic_assignment_problem dbr:Generalized_assignment_problem dbr:Evolutionary_algorithm dbr:Constraint_satisfaction dbr:Computer_science dbc:Optimization_algorithms_and_methods dbr:Probabilistic dbr:Protein dbr:Graph_(discrete_mathematics) dbr:Research-based_model dbr:Termites dbr:Edge_detection dbr:Marco_Dorigo dbr:Transmission_Control_Protocol dbr:Bees_algorithm dbr:Redundancy_allocation_problem dbr:Stochastic_gradient_descent dbr:Shortest_path_problem dbr:Pierre-Paul_Grassé dbr:Ant_colony dbr:Estimation_of_distribution_algorithm dbr:Luca_Maria_Gambardella dbr:Local_search_(optimization) dbr:Telecommunication dbr:Telecommunications dbr:Combinatorial_optimization dbr:Cross-entropy dbr:Probability_distribution dbr:Protein_folding dbr:Metaheuristic dbr:Distributed_computing dbr:Ambient_networks dbr:Data_mining dbr:Routing dbr:Network_routing n23:Ant_Colony_Algorihm_applied_to_the_Travelling_Salesman_Problem.gif dbr:Limit_of_a_sequence dbr:4-connected_neighborhood dbr:Swarm_intelligence n23:(a)Original_Image_(b)Image_Generated_using_equation(1)_(c)Image_generated_using_equation(2)_(d)_Image_generated_using_equation(3)_(e)Image_generated_using_equation(4).jpg dbr:Algorithms_to_estimate_distribution n23:Artificial_ants.jpg
dbo:wikiPageExternalLink
n4:index.php%3Fid=156 n10: n11:9783642401787 n16:ant-colony-optimization-algorithm n18:Lectura16.pdf n21: n22: n25: n28:56e0268e08aec4b3333d0039.pdf n29: n32:Java-Ant-Colony-System-Framework n34:Portfolio-Optimization-using-ant-colony-method-a-case-study-on-Tehran-stock-exchange.pdf n35:applet.html n36: n37:acs-ec97.pdf n42:ant_colony_optimization n45:IridiaTr2006-023r001.pdf n52:Ant_Colony_Optimization.pdf n54:Ant_Colony_Optimization n54:Ant_colony_optimization n60:ArtificialLife-original.pdf
owl:sameAs
dbpedia-pl:Algorytm_mrówkowy dbpedia-ca:Algorisme_de_la_colònia_de_formigues dbpedia-el:Αλγόριθμοι_βελτιστοποίησης_αποικιών_των_μυρμηγκιών dbpedia-ru:Муравьиный_алгоритм wikidata:Q460851 dbpedia-fr:Algorithme_de_colonies_de_fourmis dbpedia-zh:蚁群算法 dbpedia-uk:Мурашиний_алгоритм dbpedia-de:Ameisenalgorithmus dbpedia-fa:الگوریتم_کلونی_مورچگان dbpedia-tr:Karınca_kolonisi_optimizasyon_algoritması n40:4Fuqn dbpedia-es:Algoritmo_de_la_colonia_de_hormigas dbpedia-cs:Optimalizace_mravenčí_kolonií dbpedia-ja:蟻コロニー最適化 yago-res:Ant_colony_optimization_algorithms dbpedia-bg:Алгоритъм_за_оптимизация_по_метода_на_мравките dbpedia-id:Algoritma_semut freebase:m.02sxf4 dbpedia-it:Algoritmo_delle_colonie_di_formiche dbpedia-nl:Mierenkolonieoptimalisatie dbpedia-sr:Mravlji_algoritam dbpedia-pt:Colônia_de_formigas_(otimização) n58:Algoritma_sireum dbpedia-he:אופטימיזציית_קן_הנמלים dbpedia-ar:خوارزمية_قرية_النمل
dbp:wikiPageUsesTemplate
dbt:Multiple_issues dbt:Original_research dbt:ISBN dbt:ISSN dbt:Collective_animal_behaviour dbt:Image_frame dbt:More_footnotes dbt:Reflist
dbo:thumbnail
n9:Safari_ants.jpg?width=300
dbp:caption
Chronology of COA algorithms
dbp:content
ImageSize = width:210 height:300 PlotArea = width:170 height:280 left:40 bottom:10 DateFormat = yyyy Period = from:1985 till:2005 TimeAxis = orientation:vertical ScaleMajor = unit:year increment:5 start:1985 Colors= id:fond value:white #rgb id:marque value:rgb id:marque_fond value:rgb BackgroundColors = canvas:fond Define $dx = 7 # décalage du texte à droite de la barre Define $dy = -3 # décalage vertical Define $dy2 = 6 # décalage vertical pour double texte PlotData= bar:Leaders color:marque_fond width:5 mark: align:left fontsize:S from:1989 till:1989 shift: text:studies of collective behavior from:1991 till:1992 shift: text:ant system from:1995 till:1995 shift: text:continuous problem from:1996 till:1996 shift: text:ant colony system from:1996 till:1996 shift: text:max-min ant system from:2000 till:2000 shift: text:proof to convergence from:2001 till:2001 shift: text:multi-objective algorithm
dbo:abstract
Муравьиный алгоритм (алгоритм оптимизации подражанием муравьиной колонии, англ. ant colony optimization, ACO) — один из эффективных полиномиальных алгоритмов для нахождения приближённых решений задачи коммивояжёра, а также решения аналогичных задач поиска маршрутов на графах. Суть подхода заключается в анализе и использовании модели поведения муравьёв, ищущих пути от колонии к источнику питания, и представляет собой метаэвристическую оптимизацию. Первая версия алгоритма, предложенная доктором наук в 1992 году, была направлена на поиск оптимального пути в графе. Οι αλγόριθμοι βελτιστοποίησης με βάση την λειτουργία των αποικιών των μυρμηγκιών μελετούνται από την Επιστήμη Υπολογιστών και την περιοχή της Επιχειρησιακής Έρευνας. Πρόκειται για μια πιθανολογική τεχνική για την επίλυση υπολογιστικών προβλημάτων τα οποία αφορούν στην εύρεση βέλτιστων μονοπατιών σε γράφους. Ο συγκεκριμένος αλγόριθμος ανήκει στην οικογένεια των αλγορίθμων "Αποικιών μυρμηγκιών" και στην κατηγορία μεθόδων γνωστές ως "Μέθοδοι Ευφυίας Σμήνους", αποτελεί δε μια μετα-ευριστική βελτιστοποίηση. Ο αλγόριθμος αυτός προτάθηκε αρχικά μέσα από τη διδακτορική διατριβή του Marco Dorigo το 1992. Είναι ο πρώτος αλγόριθμος που αποσκοπεί στην αναζήτηση μιας βέλτιστης διαδρομής σε ένα γράφο με βάση την συμπεριφορά των μυρμηγκιών που αναζητούν μια διαδρομή από την αποικία προς την τροφή τους. Η αρχική αυτή ιδέα διαφοροποιήθηκε και επεκτάθηκε ώστε να υπηρετήσει την επίλυση μιας ευρύτερης κατηγορίας υπολογιστικών προβλημάτων, έχοντας σαν αποτέλεσμα την δημιουργία αρκετών προβλημάτων τα οποία βασίζονται στις διαφορετικές πτυχές της συμπεριφοράς των μυρμηγκιών. خوارزمية قرية النمل هي طريقة لحل المسائل في الحوسبة بالبحث عن الحلول المثلى في ضمن جملة من الاحتمالات، على نحو شبيه بطريقة النمل في البحث والتقفي. هذه الخوارزمية ضمن عائلة خوارزميات مستعمرة النمل، في أساليب ذكاء السرب، وتشكل بعض تحسينات الأدلة العليا. في البداية اقترح ماركو دوريغو الفكرة في عام 1992 في أطروحته للدكتوراه، كانت الخوارزمية الأولى تهدف إلى البحث عن مسار أمثل في رسم بياني، استنادا إلى سلوك النمل الذي يسعى لإيجاد مسار بين المستعمرات ومصدر للغذاء. وقد تنوعت الفكرة الأصلية منذ ذلك الحين لحل فئة أوسع من المشاكل العددية، ونتيجة لذلك، ظهرت عدة مشاكل، مستندة إلى جوانب مختلفة من سلوك النمل. من منظور أوسع، تقوم الخوارزمية بالبحث القائم على نموذج وتبادل بعض أوجه التشابه مع تقدير خوارزميات التوزيع. Mierenkolonieoptimalisatie is een probabilistische techniek gebruikt voor het bepalen van een kort (maar niet per se het kortste) pad binnen een graaf. De techniek is gebaseerd op het collectief gedrag van mieren in de natuur en maakt onderdeel uit van zwermintelligentie. In de natuur zoeken mieren naar voedsel door een willekeurig pad te bewandelen. De mier laat een signaalstof (een feromoon) achter tijdens het wandelen en gebruikt het eerder achtergelaten spoor om de weg terug te vinden naar het nest. Andere mieren zullen het spoor volgen en laten op hun beurt ook het feromoon achter zodat de sterkte van het feromonenspoor toeneemt. De signaalstof vervliegt na verloop van tijd, waardoor het spoor vervaagt als de voedselbron is uitgeput omdat minder mieren het spoor volgen. Een ander gevolg van het verdampen van het spoor is dat een langer pad minder vaak zal worden bewandeld dan een korter pad. Bij mierenkolonieoptimalisatie worden kunstmatige "mieren" gebruikt met hetzelfde idee: hoe meer mieren een bepaald pad bewandelen, hoe meer feromoon achterblijft op het spoor. Hoe sterker het spoor, hoe groter de kans dat een mier het spoor zal volgen. Door het vervagen van het feromonenspoor zal het spoor op een korter pad uiteindelijk sterker worden dan dat van een langer pad. Omdat er toch altijd mieren zijn die afwijken van het sterkste feromonenspoor, zal een nog korter pad door steeds meer mieren worden gevolgd en zullen langere paden minder vaak worden bewandeld, waardoor een steeds kortere route kan worden gevonden. Algorytm mrówkowy – algorytm zaproponowany przez Marco Dorigo, będący probabilistyczną techniką rozwiązywania problemów poprzez szukanie dobrych dróg w grafach. Jest on zainspirowany zachowaniem mrówek szukających pożywienia dla swojej kolonii. W prawdziwym świecie, mrówki poruszają się w sposób losowy; gdy znajdują pożywienie, wracają do swojej kolonii pozostawiając ślad składający się z feromonów. Gdy inna mrówka natknie się na ten ślad, przestaje poruszać się w sposób losowy i podąża za śladem w kierunku pożywienia. Jednak po pewnym czasie feromony wyparowują, a więc siła ich działania maleje. Im dłuższa jest trasa od pożywienia do kolonii, tym więcej mają czasu feromony, aby wyparować. Krótsze trasy jednak zapewniają, iż siła działania feromonów będzie większa. Parowanie feromonów jest efektem pozytywnym, bowiem pozwala to na odnajdywanie optymalnej trasy do pożywienia. Gdyby feromony nie wyparowywały, każda kolejna trasa miałaby taką samą siłę jak poprzednia, przez co nie dochodziłoby do odnalezienia optymalnego rozwiązania problemu. Zatem gdy jedna mrówka odnajdzie dobrą (krótką) drogę, inne mrówki będą podążać tą właśnie drogą, również zostawiając feromony, a więc zwiększając ich natężenie. Ostatecznie wszystkie mrówki będą poruszać się tą samą, najlepszą drogą, a pozostałe drogi zostaną zapomniane (wyparują). * Algorytm mrówkowy został zainspirowany zachowaniem mrówek poszukujących pożywienia En ciencias de la computación y en investigación operativa, el algoritmo de la colonia de hormigas, algoritmo hormiga u optimización por colonia de hormigas (Ant Colony Optimization, ACO) es una técnica probabilística para solucionar problemas computacionales que pueden reducirse a buscar los mejores caminos o rutas en grafos. Este algoritmo es un miembro de la familia de los algoritmos de colonia de hormigas, dentro de los métodos de inteligencia de enjambres. Inicialmente propuesto por Marco Dorigo en 1992 en su tesis de doctorado,​​ el primer algoritmo surgió como método para buscar el camino óptimo en un grafo, basado en el comportamiento de las hormigas cuando estas están buscando un camino entre la colonia y una fuente de alimentos. La idea original se ha diversificado para resolver una amplia clase de problemas numéricos, y como resultado, han surgido gran cantidad de problemas nuevos, basándose en diversos aspectos del comportamiento de las hormigas. 蚁群算法（Ant Colony Optimization，ACO），又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文“Ant system: optimization by a colony of cooperating agents”中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。 Les algorithmes de colonies de fourmis (en anglais : ant colony optimization, ou ACO) sont des algorithmes inspirés du comportement des fourmis, ou d'autres espèces formant un superorganisme, et qui constituent une famille de métaheuristiques d’optimisation. Initialement proposé par Marco Dorigo et al. dans les années 1990, pour la recherche de chemins optimaux dans un graphe, le premier algorithme s’inspire du comportement des fourmis recherchant un chemin entre leur colonie et une source de nourriture. L’idée originale s'est depuis diversifiée pour résoudre une classe plus large de problèmes et plusieurs algorithmes ont vu le jour, s’inspirant de divers aspects du comportement des fourmis. En anglais, le terme consacré à la principale classe d’algorithme est « Ant Colony Optimisation » (ACO). Les spécialistes réservent ce terme à un type particulier d'algorithme. Il existe cependant plusieurs familles de méthodes s'inspirant du comportement des fourmis. En français, ces différentes approches sont regroupées sous les termes : « algorithmes de colonies de fourmis », « optimisation par colonies de fourmis », « fourmis artificielles » ou diverses combinaisons de ces variantes. Optimalizace mravenčí kolonií (v originále Ant Colony Optimization, používá se zkratka ACO) je meta-heuristická technika používaná v oboru umělé inteligence pro hledání přibližných řešení kombinatorických problémů. Technika se inspiruje v chování mravenců při hledání potravy. Řadíme ji mezi další metody využívající inteligence hejna. ACO, jakožto meta-heuristika, popisuje celou třídu algoritmů. Els algorismes de les colònies de formigues són algorismes inspirats en el comportament de les formigues i que constitueixen una família de metaheurístiques d'optimització. Va ser proposat per primera vegada per Marco Dorigo i altres en els anys 90. Per a la investigació de camins òptims en un graf, el primer algorisme s'inspira en el comportament de les formigues que cerquen un camí entre la seva colònia i una font d'aliment. La idea original es diversifica després per resoldre una classe més àmplia de problemes, i apareixen diversos algorismes que s'inspiren en diversos aspectes del comportament de les formigues. En anglès, el terme consagrat a la principal classe d'algorismes és «Ant Colony Optimization» (acrònim ACO). Els especialistes reserven aquest terme per un tipus particular d'algorisme. Existeixen tanmateix diversos grups de mètodes que s'inspiren en el comportament de les formigues. En francès, aquests diferents enfocaments s'agrupen sota els termes «algorithmes de colonies de fourmis» (algorismes de colònies de formigues), «optimisation par colonies de fourmis» (optimització per colònies de formigues), «fourmis artificielles» (formigues artificials) o diverses combinacions d'aquestes variants. Ameisenalgorithmen gehören zu den Metaheuristiken für Verfahren der kombinatorischen Optimierung, die auf dem modellhaften Verhalten von realen Ameisen bei der Futtersuche basieren. Die meisten Ameisenalgorithmen erfüllen auch die von vorgestellte ACO (Ant Colony Optimization)-Metaheuristik. In computer science and operations research, the ant colony optimization algorithm (ACO) is a probabilistic technique for solving computational problems which can be reduced to finding good paths through graphs. Artificial ants stand for multi-agent methods inspired by the behavior of real ants. The pheromone-based communication of biological ants is often the predominant paradigm used. Combinations of artificial ants and local search algorithms have become a method of choice for numerous optimization tasks involving some sort of graph, e.g., vehicle routing and internet routing. As an example, ant colony optimization is a class of optimization algorithms modeled on the actions of an ant colony. Artificial 'ants' (e.g. simulation agents) locate optimal solutions by moving through a parameter space representing all possible solutions. Real ants lay down pheromones directing each other to resources while exploring their environment. The simulated 'ants' similarly record their positions and the quality of their solutions, so that in later simulation iterations more ants locate better solutions. One variation on this approach is the bees algorithm, which is more analogous to the foraging patterns of the honey bee, another social insect. This algorithm is a member of the ant colony algorithms family, in swarm intelligence methods, and it constitutes some metaheuristic optimizations. Initially proposed by Marco Dorigo in 1992 in his PhD thesis, the first algorithm was aiming to search for an optimal path in a graph, based on the behavior of ants seeking a path between their colony and a source of food. The original idea has since diversified to solve a wider class of numerical problems, and as a result, several problems have emerged, drawing on various aspects of the behavior of ants. From a broader perspective, ACO performs a model-based search and shares some similarities with estimation of distribution algorithms. 蟻コロニー最適化（ありコロニーさいてきか、Ant Colony Optimization、ACO）とは、Marco Dorigo が 1992年の博士論文で提案したアルゴリズムであり、グラフを使ってよい経路を探すことで単純化できるような計算問題の確率的解法である。これはアリがコロニー（＝群れ）から食物までの経路を見つける際の挙動からヒントを得たものである。 Algoritme semut diperkenalkan oleh dan dan secara meluas dikembangkan oleh , merupakan teknik probabilistik untuk menyelesaikan masalah komputasi dengan menemukan jalur terbaik melalui grafik. Algoritme ini terinspirasi oleh perilaku semut dalam menemukan jalur dari koloninya menuju makanan. Мурашиний алгоритм (алгоритм оптимізації мурашиної колонії, англ. ant colony optimization, ACO) — один з ефективних поліноміальних алгоритмів для знаходження наближених розв'язків задачі комівояжера, а також аналогічних завдань пошуку маршрутів на графах. Підхід запропонований бельгійським дослідником Марко Доріго (англ. Marco Dorigo). Суть підходу полягає в аналізі та використанні моделі поведінки мурах, що шукають дороги від колонії до їжі. У основі алгоритму лежить поведінка мурашиної колонії — маркування вдалих доріг великою кількістю феромону. Робота починається з розміщення мурашок у вершинах графу (містах), потім починається рух мурашок — напрям визначається імовірнісним методом, на підставі формули: , де: — ймовірність переходу шляхом , — величина, обернена до довжини (ваги) -ого переходу, — кількість феромонів на -ому переході, — величина, яка визначає «жадібність» алгоритму, — величина, яка визначає «стадність» алгоритму і Результат не є точним і навіть може бути одним з гірших, проте, в силу імовірності рішення, повторення алгоритму може видавати (досить) точний результат. Висхідна діяльність у цьому напрямі призвела до проведення конференцій, присвячених виключно штучним мурахам, а також численним комп'ютерним програмам від спеціалізованих компаній, таких як AntOptima. Як приклад, мурашиний алгоритм є класом алгоритмів оптимізації за зразком колонії мурашок. Штучні «мурашки» знаходять оптимальні варіанти, рухаючись простором параметрів, який представляє усі можливі рішення. Реальні мурахи виділяють феромони, щоб спрямувати один одного до ресурсів та досліджувати своє оточення. Модельовані «мурахи» аналогічно фіксують свої позиції та якість своїх рішень, таким чином, в подальших ітераціях моделювання мурахи приймають кращі рішення. Одним з варіантів цього підходу є бджолиний алгоритм, який аналогічний структурі роботи медоносних бджіл, іншої соціальної комахи. Gli algoritmi delle colonie di formiche sono degli algoritmi ispirati dal comportamento delle formiche, o da altre specie che formano un superorganismo, che sono una parte dell'ottimizzazione . Inizialmente proposto da Marco Dorigo et al., nel 1990, per la ricerca dei percorsi ottimali in un grafo, il primo algoritmo si basa sul comportamento delle formiche che cercano un percorso tra la loro colonia e una fonte di cibo. L'idea originale da allora si è diversificata per risolvere una classe più ampia di problemi, facendo quindi emergere diversi algoritmi attingendo da vari aspetti del comportamento delle formiche. In inglese, il termine dedicato all'algoritmo principale è Ant Colony Optimisation (ACO). Gli specialisti riservano tale termine per un particolare tipo di algoritmo. Tuttavia, ci sono diverse famiglie di metodi basate sul comportamento delle formiche. In italiano, questi approcci sono raggruppati secondo i termini: algoritmi delle colonie di formiche, ottimizzazione delle colonie di formiche, formiche artificiali o diverse combinazioni di queste varianti. O algoritmo da otimização da colônia de formigas (ACO, do inglês ant colony optimization algorithm), introduzido por Marco Dorigo em sua tese de PhD é uma heurística baseada em probabilidade, criada para solução de problemas computacionais que envolvem procura de caminhos em grafos. Este algoritmo foi inspirado na observação do comportamento das formigas ao saírem de sua colônia para encontrar comida.
gold:hypernym
dbr:Technique
prov:wasDerivedFrom
wikipedia-en:Ant_colony_optimization_algorithms?oldid=1112865549&ns=0
dbo:wikiPageLength
77899
foaf:isPrimaryTopicOf
wikipedia-en:Ant_colony_optimization_algorithms