Robust Ant Colony Optimization — Optimisasi Koloni Semut Tangguh untuk Masalah Kombinatorial
Robust Ant Colony Optimization (Robust ACO) memperluas metaheuristik klasik koloni semut dengan secara eksplisit memasukkan ketidakpastian parameter dan kriteria ketangguhan kasus terburuk atau kasus rata-rata ke dalam pencarian solusi. Alih-alih mengoptimalkan untuk satu skenario nominal, ia mencari solusi yang berkinerja baik di berbagai realisasi masalah yang masuk akal, membuatnya cocok untuk masalah kombinatorial dunia nyata di mana data masukan (biaya, permintaan, waktu tempuh) tidak pasti atau bervariasi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Robust Ant Colony Optimization — ACO metaheuristic with explicit uncertainty and worst-case robustness handling. ScholarGate. https://scholargate.app/id/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.
- Optimasi Koloni SemutOptimasi↔ compare
- Optimasi Koloni Semut Multi-Objektif (MOACO)Simulasi↔ compare
- Algoritma Genetika RobustSimulasi↔ compare
- Optimasi Partikel Koloni yang KuatSimulasi↔ compare
- Simulated Annealing RobustSimulasi↔ compare
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →