기고글 토론 "모집단 최적화 알고리즘: 개미 군집 최적화(ACO)"
메타 휴리스틱 최적화 기법에 대한 기사는 정말 멋집니다. 대단한 일을 하고 계십니다 안드레이, 많은 경험을 공유해 주셔서 정말 감사합니다!
메타휴리스틱 최적화 타겟을 옵티마이저에 구현하는 것을 고려해 주세요! 소프트웨어에 큰 도움이 될 것입니다.
사용자가 OnTester() 내부에서 쉽게 설정할 수 있는 무언가:
OptimizerSetEngine("ACO"); // 앤트 콜로니 최적화 OptimizerSetEngine("COA"); // 뻐꾸기 최적화 알고리즘 OptimizerSetEngine("ABC"); // 인공 벌집 OptimizerSetEngine("GWO"); // 회색 늑대 옵티마이저 옵티마이저셋엔진("PSO"); // 파티클 스웜 최적화
브라질에서 건배
새로운 기고글 모집단 최적화 알고리즘: 개미 군집 최적화(ACO) 가 게재되었습니다:
이번에는 개미 군집 최적화 알고리즘을 분석해 보겠습니다. 이 알고리즘은 매우 흥미롭고 복잡합니다. 이 글에서는 새로운 유형의 ACO를 만들기 위한 시도를 할 것입니다.
ACO 알고리즘은 일종의 군집 지능 알고리즘입니다. 개미 군집의 먹이 찾기 과정을 모델링하여 개미 군집의 내부의 데이터 전송 메커니즘을 사용해 다양한 환경에서 최단 경로를 설정합니다. 경로에 남아 있는 페로몬의 농도가 높을수록 개미가 이 경로를 선택할 확률이 높아집니다. 동시에 페로몬의 농도는 시간이 지남에 따라 감소합니다. 따라서 개미 군집의 행동을 통해 개미는 피드백 메커니즘으로 최단 먹이 경로를 결정하기 위해 끊임없이 학습하고 최적화합니다. ACO 알고리즘은 경로 계획에 널리 사용됩니다.
Skin 테스트 함수의 ACO.
Forest 테스트 함수의 PSO.
Megacity 테스트 함수의 ACO.
이제 결론을 내릴 시간입니다. 한편으로 전통적인 개미 군집 알고리즘은 금융상품 거래의 최적화 문제에는 적용되지 않습니다. 그러나 기존 버전의 한계를 넘기 위해 완전히 새로운 개념의 개미 군집 알고리즘이 등장하여 ACO를 더욱 발전시킬 수 있게 되었습니다. 이러한 알고리즘은 여행하는 세일즈맨 문제를 비롯한 다양한 문제에 적용될 수 있습니다.
작성자: Andrey Dik