Порівняння методів

	Стійка оптимізація на основі мурашиних колоній	Багатокритеріальна оптимізація на основі мурашиних колоній (MOACO)
Галузь	Імітаційне моделювання	Імітаційне моделювання
Родина	Process / pipeline	Process / pipeline
Рік появи	1992 (ACO); robust variants from ~2005	1999
Автор методу	Dorigo, M. (ACO); robust extensions by multiple authors in 2000s–2010s	Gambardella, Taillard & Agazzi; Dorigo & Stützle
Тип	Metaheuristic with robustness wrapper	Population-based metaheuristic
Основоположне джерело	Dorigo, M. (1992). Optimization, learning and natural algorithms. PhD Thesis, Politecnico di Milano, Italy.	Gambardella, L. M., Taillard, E., & Agazzi, G. (1999). MACS-VRPTW: A multiple ant colony system for vehicle routing problems with time windows. In D. Corne, M. Dorigo, & F. Glover (Eds.), New Ideas in Optimization (pp. 63–76). McGraw-Hill.
Інші назви	Robust ACO, Uncertainty-aware ACO, Min-max ACO, Robust ACO Metaheuristic	MOACO, Multi-Objective ACO, Pareto Ant Colony Optimization, Multi-objective ACO
Пов'язані	5	4
Підсумок	Robust Ant Colony Optimization (Robust ACO) extends the classic ant colony metaheuristic by explicitly incorporating parameter uncertainty and worst-case or expected-case robustness criteria into the solution search. Rather than optimizing for a single nominal scenario, it seeks solutions that perform well across a range of plausible problem realizations, making it suitable for real-world combinatorial problems where input data (costs, demands, travel times) are uncertain or variable.	Multi-Objective Ant Colony Optimization (MOACO) is a swarm-intelligence metaheuristic that extends the classic Ant Colony Optimization framework to simultaneously optimize two or more conflicting objectives. Artificial ants construct candidate solutions guided by pheromone trails and heuristic information, progressively building an archive of Pareto-optimal solutions rather than converging to a single best answer.