Optimisation Robuste par Colonies de Fourmis — Optimisation par Colonies de Fourmis Résiliente à l'Incertitude pour les Problèmes Combinatoires
L'Optimisation Robuste par Colonies de Fourmis (Robust ACO) étend la métaheuristique classique des colonies de fourmis en intégrant explicitement l'incertitude des paramètres et des critères de robustesse du pire cas ou du cas moyen dans la recherche de solutions. Plutôt que d'optimiser pour un scénario nominal unique, elle recherche des solutions qui performent bien sur une gamme de réalisations plausibles du problème, la rendant ainsi adaptée aux problèmes combinatoires du monde réel où les données d'entrée (coûts, demandes, temps de trajet) sont incertaines ou variables.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Dorigo, M. (1992). Optimization, learning and natural algorithms. PhD Thesis, Politecnico di Milano, Italy. link ↗
- Gutjahr, W. J., & Pflug, G. C. (2010). Simulated annealing for noisy cost functions. Journal of Global Optimization, 12(2), 123–147. (For robust stochastic metaheuristics including ACO under uncertainty.) link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Ant Colony Optimization — ACO metaheuristic with explicit uncertainty and worst-case robustness handling. ScholarGate. https://scholargate.app/fr/simulation/robust-ant-colony-optimization
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Optimisation par Colonies de FourmisOptimisation↔ compare
- Optimisation par Colonies de Fourmis Multi-Objectifs (MOACO)Simulation↔ compare
- Algorithme Génétique RobusteSimulation↔ compare
- Optimisation robuste par essaims particulairesSimulation↔ compare
- Recuit simulé robusteSimulation↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →