Karınca Kolonisi Optimizasyonu — Sürü Tabanlı Kombinatoryal Optimizasyon

Her ikisi de popülasyon tabanlı meta-sezgiseldir, ancak çözümlerin nasıl evrildiği konusunda farklılık gösterirler. Genetik Algoritmalar, bir çözüm popülasyonunu korur ve yavruları oluşturmak için çaprazlama ve mutasyon operatörlerini kullanır. ACO, bir feromon matrisi — paylaşılan bir bellek — korur ve her karınca bu belleğin rehberliğinde sıfırdan yeni bir çözüm oluşturur. ACO genellikle yol bulma ve sıralama problemleri için daha doğaldır, Genetik Algoritmalar ise gerçek kodlu ve ikili optimizasyonlara geniş çapta uygulanır.

TSP üzerindeki kanonik karşılaştırmalar, α ≈ 1, β ≈ 2–5 ve ρ ≈ 0.02–0.1'i makul başlangıç noktaları olarak önermektedir (Dorigo & Stützle, 2004). Daha yüksek β, sezgisel etkiyi artırır (alan bilgisi güvenilir olduğunda kullanışlıdır); daha yüksek ρ, buharlaşmayı ve çeşitliliği artırır ancak yakınsamayı yavaşlatabilir. Bu parametreler probleme bağlıdır ve sistematik olarak ayarlanmalıdır, örneğin küçük bir ızgara araması veya Bayes optimizasyonu ile.

Standart ACO, ayrık, grafik yapılı arama alanları için tasarlanmıştır. Sürekli problemler, feromon matrisini bir çözüm arşivi ve bir olasılık yoğunluk fonksiyonu ile değiştiren ACOR (Sürekli Alanlar için Karınca Kolonisi Optimizasyonu) ile ele alınabilir. Doğal bir grafik kodlaması olmayan tamamen sürekli problemler için Parçacık Sürü Optimizasyonu veya Diferansiyel Evrim gibi alternatifler uygulamak daha basit olabilir.

Evrensel bir cevap yoktur, ancak pratik bir başlangıç noktası, karınca sayısını grafikteki düğüm sayısına eşitlemek ve birkaç yüz iterasyon çalıştırmaktır. Durgunluk tespiti — en iyi çözümün sabit sayıda iterasyonda iyileşmediğinde durma — hesaplamayı kaydedebilir. Eğer yaklaşık 100–200 iterasyondan az katı bir bütçe varsa, ACO'nun güvenilir sonuçlar üretmesi olası değildir; bu rejimde Tabu Arama daha iyi bir seçimdir.