Optimasi Koloni Semut Teguh — ACO Tahan Ketidakpastian untuk Masalah Kombinatorial
Optimasi Koloni Semut Teguh (Robust ACO) memperluas metaheuristik koloni semut klasik dengan secara eksplisit menggabungkan ketidakpastian parameter dan kriteria keteguhan kes-terburuk atau kes-jangkauan ke dalam pencarian solusi. Alih-alih mengoptimumkan untuk satu skenario nominal, ia mencari solusi yang berprestasi baik di berbagai realisasi masalah yang masuk akal, menjadikannya sesuai untuk masalah kombinatorial dunia nyata di mana data masukan (kos, permintaan, waktu tempuh) tidak pasti atau bervariasi.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian 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 memetik halaman ini
ScholarGate. (2026, June 3). Robust Ant Colony Optimization — ACO metaheuristic with explicit uncertainty and worst-case robustness handling. ScholarGate. https://scholargate.app/ms/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 OptimizationPengoptimuman↔ compare
- Multi-Objective Ant Colony Optimization (MOACO)Simulasi↔ compare
- Algoritma Genetik TeguhSimulasi↔ compare
- Robust Particle Swarm OptimizationSimulasi↔ compare
- Simulated Annealing RobustSimulasi↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →