Robustā blakšu koloniju optimizācija — nenoteiktībai noturīga ACO kombinatoriskām problēmām
Robustā blakšu koloniju optimizācija (Robust ACO) paplašina klasisko blakšu koloniju metaheuristiku, tieši iekļaujot parametru nenoteiktību un vissliktākā vai paredzamā gadījuma noturības kritērijus risinājumu meklēšanā. Tā vietā, lai optimizētu vienu nominālo scenāriju, tā meklē risinājumus, kas labi darbojas dažādās ticamās problēmu realizācijās, padarot to piemērotu reālās pasaules kombinatoriskām problēmām, kurās ievades dati (izmaksa, pieprasījums, ceļošanas laiki) ir nenoteikti vai mainīgi.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Robust Ant Colony Optimization — ACO metaheuristic with explicit uncertainty and worst-case robustness handling. ScholarGate. https://scholargate.app/lv/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.
- Ant Colony OptimizationOptimizācija↔ compare
- Daudzobjektu skudru koloniju optimizācija (MOACO)Simulācija↔ compare
- Robusta ģenētiskā algoritma (RGA) pieejaSimulācija↔ compare
- Robustā daļiņu baru optimizācijaSimulācija↔ compare
- Robust Simulated AnnealingSimulācija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →