Algoritmos de optimización de colonias de hormigas

Optimization algorithm

El comportamiento de las hormigas fue la inspiración para la técnica de optimización metaheurística

Cuando una colonia de hormigas se enfrenta a la elección de alcanzar su alimento por dos rutas diferentes, una de las cuales es mucho más corta que la otra, su elección es completamente aleatoria. Sin embargo, las que utilizan la ruta más corta llegan al alimento más rápido y, por lo tanto, van y vienen más a menudo entre el hormiguero y el alimento. ^[1]

En informática e investigación de operaciones , el algoritmo de optimización de colonias de hormigas ( ACO ) es una técnica probabilística para resolver problemas computacionales que se pueden reducir a encontrar buenos caminos a través de grafos . Las hormigas artificiales representan métodos multiagente inspirados en el comportamiento de las hormigas reales . La comunicación basada en feromonas de las hormigas biológicas es a menudo el paradigma predominante utilizado. ^[2] Las combinaciones de hormigas artificiales y algoritmos de búsqueda local se han convertido en un método preferido para numerosas tareas de optimización que involucran algún tipo de grafo , por ejemplo, enrutamiento de vehículos y enrutamiento de Internet .

Como ejemplo, la optimización de colonias de hormigas ^[3] es una clase de algoritmos de optimización modelados sobre las acciones de una colonia de hormigas . ^[4] Las 'hormigas' artificiales (por ejemplo, los agentes de simulación) localizan soluciones óptimas moviéndose a través de un espacio de parámetros que representa todas las soluciones posibles. Las hormigas reales depositan feromonas para dirigirse unas a otras hacia los recursos mientras exploran su entorno. Las 'hormigas' simuladas registran de manera similar sus posiciones y la calidad de sus soluciones, de modo que en iteraciones de simulación posteriores más hormigas localizan mejores soluciones. ^[5] Una variación de este enfoque es el algoritmo de las abejas , que es más análogo a los patrones de búsqueda de alimento de la abeja melífera , otro insecto social.

Este algoritmo es miembro de la familia de algoritmos de colonias de hormigas, en métodos de inteligencia de enjambre , y constituye algunas optimizaciones metaheurísticas . Inicialmente propuesto por Marco Dorigo en 1992 en su tesis doctoral, ^{[6] [7]} el primer algoritmo tenía como objetivo buscar una ruta óptima en un grafo, basándose en el comportamiento de las hormigas que buscan un camino entre su colonia y una fuente de alimento. La idea original desde entonces se ha diversificado para resolver una clase más amplia de problemas numéricos y, como resultado, han surgido varios problemas, que se basan en varios aspectos del comportamiento de las hormigas. Desde una perspectiva más amplia, ACO realiza una búsqueda basada en modelos ^[8] y comparte algunas similitudes con los algoritmos de estimación de distribución .

Descripción general

En el mundo natural, las hormigas de algunas especies (inicialmente) deambulan al azar y, al encontrar comida, regresan a su colonia dejando rastros de feromonas . Si otras hormigas encuentran ese camino, es probable que dejen de viajar al azar y, en cambio, sigan el rastro, regresando y reforzándolo si finalmente encuentran comida (ver Comunicación de las hormigas ). ^[9]

Sin embargo, con el tiempo, el rastro de feromonas comienza a evaporarse, lo que reduce su poder de atracción. Cuanto más tiempo tarda una hormiga en recorrer el camino y volver, más tiempo tienen las feromonas para evaporarse. En comparación, un camino corto se recorre con más frecuencia y, por lo tanto, la densidad de feromonas es mayor en los caminos más cortos que en los más largos. La evaporación de feromonas también tiene la ventaja de evitar la convergencia a una solución localmente óptima. Si no hubiera evaporación en absoluto, los caminos elegidos por las primeras hormigas tenderían a ser excesivamente atractivos para las siguientes. En ese caso, la exploración del espacio de soluciones estaría restringida. La influencia de la evaporación de feromonas en los sistemas de hormigas reales no está clara, pero es muy importante en los sistemas artificiales. ^[10]

El resultado general es que cuando una hormiga encuentra un camino bueno (es decir, corto) desde la colonia hasta una fuente de alimento, es más probable que otras hormigas sigan ese camino y la retroalimentación positiva finalmente lleva a que muchas hormigas sigan un solo camino. La idea del algoritmo de la colonia de hormigas es imitar este comportamiento con "hormigas simuladas" caminando alrededor del gráfico que representa el problema a resolver.

Redes ambientales de objetos inteligentes

Se necesitan nuevos conceptos, ya que la “inteligencia” ya no está centralizada, sino que se encuentra en todos los objetos minúsculos. Se sabe que los conceptos antropocéntricos han llevado a la producción de sistemas informáticos en los que se centralizan el procesamiento de datos, las unidades de control y la potencia de cálculo. Estas unidades centralizadas han aumentado continuamente su rendimiento y pueden compararse con el cerebro humano. El modelo del cerebro se ha convertido en la visión definitiva de los ordenadores. Las redes ambientales de objetos inteligentes y, tarde o temprano, una nueva generación de sistemas de información aún más difundidos y basados ​​en la nanotecnología, cambiarán profundamente este concepto. Los pequeños dispositivos que pueden compararse con los insectos no poseen una gran inteligencia por sí mismos. De hecho, su inteligencia puede clasificarse como bastante limitada. Es, por ejemplo, imposible integrar una calculadora de alto rendimiento con el poder de resolver cualquier tipo de problema matemático en un biochip que se implanta en el cuerpo humano o se integra en una etiqueta inteligente diseñada para rastrear artículos comerciales. Sin embargo, una vez que esos objetos están interconectados, desarrollan una forma de inteligencia que puede compararse con una colonia de hormigas o abejas. En el caso de ciertos problemas, este tipo de inteligencia puede ser superior al razonamiento de un sistema centralizado similar al cerebro. ^[11]

La naturaleza ofrece numerosos ejemplos de cómo organismos minúsculos, si todos siguen la misma regla básica, pueden crear una forma de inteligencia colectiva a nivel macroscópico. Las colonias de insectos sociales ilustran perfectamente este modelo, que difiere mucho de las sociedades humanas. Este modelo se basa en la cooperación de unidades independientes con un comportamiento simple e impredecible ^[12] . Se desplazan por el entorno para realizar determinadas tareas y sólo poseen una cantidad muy limitada de información para ello. Una colonia de hormigas, por ejemplo, presenta numerosas cualidades que también se pueden aplicar a una red de objetos ambientales. Las colonias de hormigas tienen una capacidad muy alta para adaptarse a los cambios del entorno, así como una gran fortaleza para hacer frente a situaciones en las que un individuo no consigue llevar a cabo una tarea determinada. Este tipo de flexibilidad también sería muy útil para redes móviles de objetos que están en constante desarrollo. Los paquetes de información que se mueven de un ordenador a un objeto digital se comportan de la misma manera que lo harían las hormigas. Se desplazan por la red y pasan de un nodo a otro con el objetivo de llegar a su destino final lo más rápidamente posible ^{[13] .}

Sistema de feromonas artificiales

La comunicación basada en feromonas es una de las formas de comunicación más efectivas que se observa ampliamente en la naturaleza. Los insectos sociales como las abejas, las hormigas y las termitas utilizan feromonas; tanto para comunicaciones entre agentes como entre agentes y enjambres. Debido a su viabilidad, las feromonas artificiales se han adoptado en sistemas robóticos multi-robot y enjambre. La comunicación basada en feromonas se implementó por diferentes medios, como químicos ^{[14] [15] [16]} o físicos (etiquetas RFID, ^[17] luz, ^{[18] [19] [20] [21]} sonido ^[22] ). Sin embargo, esas implementaciones no pudieron replicar todos los aspectos de las feromonas como se ven en la naturaleza.

En un artículo del IEEE de 2007, Garnier, Simon y otros presentaron un sistema experimental para estudiar la comunicación basada en feromonas con microrobots autónomos. ^[23] Otro estudio presentó un sistema en el que se implementaron feromonas a través de una pantalla LCD horizontal sobre la que se movían los robots, y estos tenían sensores de luz orientados hacia abajo para registrar los patrones debajo de ellos. ^{[24] [25]}

Algoritmo y fórmula

En los algoritmos de optimización de colonias de hormigas, una hormiga artificial es un agente computacional simple que busca buenas soluciones para un problema de optimización dado. Para aplicar un algoritmo de colonia de hormigas, el problema de optimización debe convertirse en el problema de encontrar el camino más corto en un grafo ponderado. En el primer paso de cada iteración, cada hormiga construye estocásticamente una solución, es decir, el orden en el que deben seguirse las aristas del grafo. En el segundo paso, se comparan las rutas encontradas por las diferentes hormigas. El último paso consiste en actualizar los niveles de feromonas en cada arista.

El procedimiento ACO_MetaHeuristic es  mientras no esté terminado . generarSoluciones() Acciones del demonio() actualización de feromonas() repetir procedimiento final

Selección de bordes

Cada hormiga necesita construir una solución para moverse a través del grafo. Para seleccionar el siguiente borde en su recorrido, una hormiga considerará la longitud de cada borde disponible desde su posición actual, así como el nivel de feromona correspondiente. En cada paso del algoritmo, cada hormiga se mueve de un estado a un estado , correspondiente a una solución intermedia más completa. Por lo tanto, cada hormiga calcula un conjunto de expansiones factibles a su estado actual en cada iteración, y se mueve a una de estas en probabilidad. Para la hormiga , la probabilidad de moverse de un estado a otro depende de la combinación de dos valores, el atractivo del movimiento, calculado por alguna heurística que indica la deseabilidad a priori de ese movimiento y el nivel de rastro del movimiento, que indica cuán competente ha sido en el pasado para hacer ese movimiento en particular. El nivel de rastro representa una indicación a posteriori de la deseabilidad de ese movimiento. ${\displaystyle x}$ ${\displaystyle y}$ ${\displaystyle k}$ ${\displaystyle A_{k}(x)}$ ${\displaystyle k}$ ${\displaystyle p_{xy}^{k}}$ ${\displaystyle x}$ ${\displaystyle y}$ ${\displaystyle \eta _{xy}}$ ${\displaystyle \tau _{xy}}$

En general, la hormiga se mueve de un estado a otro con probabilidad. ${\displaystyle k}$ ${\displaystyle x}$ ${\displaystyle y}$

${\displaystyle p_{xy}^{k}={\frac {(\tau _{xy}^{\alpha })(\eta _{xy}^{\beta })}{\sum _{z\in \mathrm {allowed} _{y}}(\tau _{xz}^{\alpha })(\eta _{xz}^{\beta })}}}$

donde es la cantidad de feromona depositada para la transición del estado a , ≥ 0 es un parámetro para controlar la influencia de , es la deseabilidad de la transición de estado ( conocimiento a priori , típicamente , donde es la distancia) y ≥ 1 es un parámetro para controlar la influencia de . y representan el nivel de rastro y el atractivo para las otras posibles transiciones de estado. ${\displaystyle \tau _{xy}}$ ${\displaystyle x}$ ${\displaystyle y}$ ${\displaystyle \alpha }$ ${\displaystyle \tau _{xy}}$ ${\displaystyle \eta _{xy}}$ ${\displaystyle xy}$ ${\displaystyle 1/d_{xy}}$ ${\displaystyle d}$ ${\displaystyle \beta }$ ${\displaystyle \eta _{xy}}$ ${\displaystyle \tau _{xz}}$ ${\displaystyle \eta _{xz}}$

Actualización de feromonas

Los rastros se actualizan normalmente cuando todas las hormigas han completado su solución, aumentando o disminuyendo el nivel de rastros correspondientes a los movimientos que formaron parte de soluciones "buenas" o "malas", respectivamente. Un ejemplo de una regla de actualización de feromonas global es

${\displaystyle \tau _{xy}\leftarrow (1-\rho )\tau _{xy}+\sum _{k}^{m}\Delta \tau _{xy}^{k}}$

donde es la cantidad de feromona depositada para una transición de estado , es el coeficiente de evaporación de feromona , es el número de hormigas y es la cantidad de feromona depositada por la hormiga, típicamente dada para un problema TSP (con movimientos correspondientes a arcos del gráfico) por ${\displaystyle \tau _{xy}}$ ${\displaystyle xy}$ ${\displaystyle \rho }$ ${\displaystyle m}$ ${\displaystyle \Delta \tau _{xy}^{k}}$ ${\displaystyle k}$

${\displaystyle \Delta \tau _{xy}^{k}={\begin{cases}Q/L_{k}&{\mbox{if ant }}k{\mbox{ uses curve }}xy{\mbox{ in its tour}}\\0&{\mbox{otherwise}}\end{cases}}}$

donde es el costo del recorrido del th ant (normalmente la duración) y es una constante. ${\displaystyle L_{k}}$ ${\displaystyle k}$ ${\displaystyle Q}$

Extensiones comunes

A continuación se muestran algunas de las variaciones más populares de los algoritmos ACO.

Sistema de hormigas (AS)

El sistema de hormigas es el primer algoritmo ACO. Este algoritmo corresponde al presentado anteriormente. Fue desarrollado por Dorigo. ^[26]

Sistema de colonias de hormigas (ACS)

En el algoritmo del sistema de colonias de hormigas, el sistema de hormigas original se modificó en tres aspectos:

1. La selección de bordes está sesgada hacia la explotación (es decir, favorece la probabilidad de seleccionar los bordes más cortos con una gran cantidad de feromona);
2. Mientras construyen una solución, las hormigas cambian el nivel de feromonas de los bordes que están seleccionando aplicando una regla de actualización de feromonas local;
3. Al final de cada iteración, sólo la mejor hormiga puede actualizar los rastros aplicando una regla de actualización de feromonas global modificada. ^[27]

Sistema de hormigas elitista

En este algoritmo, la mejor solución global deposita feromonas en su rastro después de cada iteración (incluso si este rastro no ha sido revisado nuevamente), junto con todas las demás hormigas. La estrategia elitista tiene como objetivo dirigir la búsqueda de todas las hormigas para construir una solución que contenga enlaces de la mejor ruta actual.

Sistema de hormigas de máximo y mínimo (MMAS)

Este algoritmo controla las cantidades máximas y mínimas de feromonas en cada recorrido. Solo el mejor recorrido global o el mejor recorrido de iteración pueden agregar feromonas a su recorrido. Para evitar el estancamiento del algoritmo de búsqueda, el rango de posibles cantidades de feromonas en cada recorrido se limita a un intervalo [τ _max ,τ _min ]. Todos los bordes se inicializan a τ _max para forzar una mayor exploración de soluciones. Los recorridos se reinicializan a τ _max cuando se acercan al estancamiento. ^[28]

Sistema de hormigas basado en rangos (ASrank)

Todas las soluciones se clasifican según su longitud. Solo una cantidad fija de las mejores hormigas de esta iteración pueden actualizar sus ensayos. La cantidad de feromona depositada se pondera para cada solución, de modo que las soluciones con recorridos más cortos depositan más feromona que las soluciones con recorridos más largos.

Optimización paralela de colonias de hormigas (PACO)

Se desarrolla un sistema de colonias de hormigas (ACS) con estrategias de comunicación. Las hormigas artificiales se dividen en varios grupos. Se proponen siete métodos de comunicación para actualizar el nivel de feromonas entre grupos en ACS y se trabaja en el problema del viajante de comercio. ^[29]

Colonia de hormigas ortogonal continua (COAC)

El mecanismo de depósito de feromonas del COAC permite a las hormigas buscar soluciones de forma colaborativa y eficaz. Al utilizar un método de diseño ortogonal, las hormigas en el dominio factible pueden explorar sus regiones elegidas de forma rápida y eficiente, con una capacidad y precisión de búsqueda global mejoradas. El método de diseño ortogonal y el método de ajuste de radio adaptativo también se pueden extender a otros algoritmos de optimización para ofrecer ventajas más amplias en la solución de problemas prácticos. ^[30]

Optimización recursiva de colonias de hormigas

Se trata de una forma recursiva de sistema de hormigas que divide todo el dominio de búsqueda en varios subdominios y resuelve el objetivo en estos subdominios. ^[31] Se comparan los resultados de todos los subdominios y los mejores de ellos se promueven al siguiente nivel. Los subdominios correspondientes a los resultados seleccionados se subdividen aún más y el proceso se repite hasta que se obtiene un resultado con la precisión deseada. Este método se ha probado en problemas de inversión geofísica mal planteados y funciona bien. ^[32]

Convergencia

Para algunas versiones del algoritmo, es posible demostrar que es convergente (es decir, es capaz de encontrar el óptimo global en tiempo finito). La primera evidencia de convergencia para un algoritmo de colonia de hormigas se realizó en 2000, el algoritmo del sistema de hormigas basado en grafos, y más tarde para los algoritmos ACS y MMAS. Como la mayoría de las metaheurísticas , es muy difícil estimar la velocidad teórica de convergencia. Un análisis de rendimiento de un algoritmo de colonia de hormigas continua con respecto a sus diversos parámetros (estrategia de selección de bordes, métrica de medida de distancia y tasa de evaporación de feromonas) mostró que su rendimiento y tasa de convergencia son sensibles a los valores de los parámetros elegidos, y especialmente al valor de la tasa de evaporación de feromonas. ^[33] En 2004, Zlochin y sus colegas ^[8] demostraron que los algoritmos de tipo ACO están estrechamente relacionados con el descenso de gradiente estocástico , el método de entropía cruzada y el algoritmo de estimación de distribución . Propusieron un término general, "búsqueda basada en modelos", para describir esta clase de metaheurísticas .

Aplicaciones

Problema de la mochila : Las hormigas prefieren la gota más pequeña de miel a la gota de azúcar más abundante, pero menos nutritiva.

Los algoritmos de optimización de colonias de hormigas se han aplicado a muchos problemas de optimización combinatoria , que van desde la asignación cuadrática hasta el plegamiento de proteínas o los vehículos de enrutamiento , y muchos métodos derivados se han adaptado a problemas dinámicos en variables reales, problemas estocásticos, objetivos múltiples e implementaciones paralelas . También se han utilizado para producir soluciones casi óptimas para el problema del viajante de comercio . Tienen una ventaja sobre los enfoques de recocido simulado y algoritmos genéticos de problemas similares cuando el gráfico puede cambiar dinámicamente; el algoritmo de colonia de hormigas se puede ejecutar de forma continua y adaptarse a los cambios en tiempo real. Esto es de interés en el enrutamiento de redes y los sistemas de transporte urbano.

El primer algoritmo ACO se denominó sistema hormiga ^[26] y su objetivo era resolver el problema del viajante, en el que el objetivo es encontrar el viaje de ida y vuelta más corto para unir una serie de ciudades. El algoritmo general es relativamente simple y se basa en un conjunto de hormigas, cada una de las cuales realiza uno de los posibles viajes de ida y vuelta a lo largo de las ciudades. En cada etapa, la hormiga elige moverse de una ciudad a otra de acuerdo con algunas reglas:

Visualización del algoritmo de la colonia de hormigas aplicado al problema del viajante. Las líneas verdes son los caminos elegidos por cada hormiga. Las líneas azules son los caminos que puede tomar en cada punto. Cuando la hormiga termina, los niveles de feromonas se representan en rojo.

1. Debe visitar cada ciudad exactamente una vez;
2. Una ciudad lejana tiene menos posibilidades de ser elegida (la visibilidad);
3. Cuanto más intenso sea el rastro de feromonas dejado en un borde entre dos ciudades, mayor será la probabilidad de que se elija ese borde;
4. Al finalizar su recorrido, la hormiga deposita más feromonas en todos los bordes que recorre, si el recorrido es corto;
5. Después de cada iteración, los rastros de feromonas se evaporan.

Problema de programación

• Problema de ordenamiento secuencial (SOP) ^[34]
• Problema de programación de talleres (JSP) ^[35]
• Problema de programación de tienda abierta (OSP) ^{[36] [37]}
• Problema de flujo de permutación (PFSP) ^[38]
• Problema de tardanza total de una sola máquina (SMTTP) ^[39]
• Problema de tardanza ponderada total de una sola máquina (SMTWTP) ^{[40] [41] [42]}
• Problema de programación de proyectos con recursos limitados (RCPSP) ^[43]
• Problema de programación de grupos de tiendas (GSP) ^[44]
• Problema de tardanza total de una sola máquina con tiempos de preparación dependientes de la secuencia (SMTTPDST) ^[45]
• Problema de programación de flujo de múltiples etapas (MFSP) con tiempos de configuración/cambio dependientes de la secuencia ^[46]
• Problemas de planificación de secuencia de ensamblaje (ASP) ^[47]

Problema de ruta del vehículo

• Problema de enrutamiento de vehículos capacitados (CVRP) ^{[48] [49] [50]}
• Problema de enrutamiento de vehículos en múltiples depósitos (MDVRP) ^[51]
• Problema de enrutamiento de vehículos según período (PVRP) ^[52]
• Problema de enrutamiento de vehículos de entrega dividida (SDVRP) ^[53]
• Problema de enrutamiento de vehículos estocástico (SVRP) ^[54]
• Problema de enrutamiento de vehículos con recogida y entrega (VRPPD) ^{[55] [56]}
• Problema de enrutamiento de vehículos con ventanas de tiempo (VRPTW) ^{[57] [58] [59] [60]}
• Problema de enrutamiento de vehículos dependiente del tiempo con ventanas de tiempo (TDVRPTW) ^[61]
• Problema de enrutamiento de vehículos con ventanas de tiempo y múltiples trabajadores de servicio (VRPTWMS)

Problema de asignación

• Problema de asignación cuadrática (QAP) ^[62]
• Problema de asignación generalizada (GAP) ^{[63] [64]}
• Problema de asignación de frecuencia (FAP) ^[65]
• Problema de asignación de redundancia (RAP) ^[66]

Problema de la configuración

• Problema de cobertura del conjunto (SCP) ^{[67] [68]}
• Problema de partición (SPP) ^[69]
• Problema de partición de árbol de grafos con restricciones de peso (WCGTPP) ^[70]
• Problema del árbol de cardinalidad l ponderado por arco (AWlCTP) ^[71]
• Problema de mochilas múltiples (MKP) ^[72]
• Problema del conjunto independiente máximo (MIS) ^[73]

Problema de dimensionamiento de dispositivos en el diseño físico de nanoelectrónica

• La optimización de colonias de hormigas basada en la optimización (ACO) del circuito amplificador de detección basado en CMOS de 45 nm podría converger a soluciones óptimas en un tiempo mínimo. ^[74]
• La síntesis de circuitos reversibles basada en la optimización de colonias de hormigas (ACO) podría mejorar significativamente la eficiencia. ^[75]

Optimización y síntesis de antenas

Vibradores de bucle invertido 10×10, sintetizados mediante el algoritmo ACO ^[76]

Vibradores Unloopback 10×10, sintetizados mediante el algoritmo ACO ^[76]

Para optimizar la forma de las antenas, se pueden utilizar algoritmos de colonias de hormigas. Como ejemplo, se pueden considerar las antenas RFID basadas en algoritmos de colonias de hormigas (ACO), ^[77] vibradores de bucle invertido y de bucle invertido 10×10 ^[76]

Procesamiento de imágenes

El algoritmo ACO se utiliza en el procesamiento de imágenes para la detección de bordes de imágenes y la vinculación de bordes. ^{[78] [79]}

• Detección de bordes:

El gráfico que se muestra aquí es una imagen en 2D y las hormigas se desplazan de un píxel a otro depositando feromonas. El movimiento de las hormigas de un píxel a otro está dirigido por la variación local de los valores de intensidad de la imagen. Este movimiento hace que la mayor densidad de feromonas se deposite en los bordes.

Los siguientes son los pasos involucrados en la detección de bordes utilizando ACO: ^{[80] [81] [82]}

Paso 1: Inicialización. Colocar hormigas al azar en la imagen donde se inicializan las matrices de feromonas con un valor aleatorio. El principal desafío en el proceso de inicialización es determinar la matriz heurística. ${\displaystyle K}$ ${\displaystyle I_{M_{1}M_{2}}}$ ${\displaystyle K=(M_{1}*M_{2})^{\tfrac {1}{2}}}$ ${\displaystyle \tau _{(i,j)}}$

Existen varios métodos para determinar la matriz heurística. En el ejemplo siguiente, la matriz heurística se calculó en función de las estadísticas locales: las estadísticas locales en la posición del píxel . ${\displaystyle (i,j)}$

${\displaystyle \eta _{(i,j)}={\tfrac {1}{Z}}*Vc*I_{(i,j)},}$

¿Dónde está la imagen de tamaño ? ${\displaystyle I}$ ${\displaystyle M_{1}*M_{2}}$

${\displaystyle Z=\sum _{i=1:M_{1}}\sum _{j=1:M_{2}}Vc(I_{i,j})}$

es un factor de normalización, y

${\displaystyle {\begin{aligned}Vc(I_{i,j})=&f\left(\left\vert I_{(i-2,j-1)}-I_{(i+2,j+1)}\right\vert +\left\vert I_{(i-2,j+1)}-I_{(i+2,j-1)}\right\vert \right.\\&+\left\vert I_{(i-1,j-2)}-I_{(i+1,j+2)}\right\vert +\left\vert I_{(i-1,j-1)}-I_{(i+1,j+1)}\right\vert \\&+\left\vert I_{(i-1,j)}-I_{(i+1,j)}\right\vert +\left\vert I_{(i-1,j+1)}-I_{(i-1,j-1)}\right\vert \\&+\left.\left\vert I_{(i-1,j+2)}-I_{(i-1,j-2)}\right\vert +\left\vert I_{(i,j-1)}-I_{(i,j+1)}\right\vert \right)\end{aligned}}}$

${\displaystyle f(\cdot )}$se puede calcular utilizando las siguientes funciones:

${\displaystyle f(x)=\lambda x,\quad {\text{for x ≥ 0; (1)}}}$

${\displaystyle f(x)=\lambda x^{2},\quad {\text{for x ≥ 0; (2)}}}$

${\displaystyle f(x)={\begin{cases}\sin({\frac {\pi x}{2\lambda }}),&{\text{for 0 ≤ x ≤}}\lambda {\text{; (3)}}\\0,&{\text{else}}\end{cases}}}$

${\displaystyle f(x)={\begin{cases}\pi x\sin({\frac {\pi x}{2\lambda }}),&{\text{for 0 ≤ x ≤}}\lambda {\text{; (4)}}\\0,&{\text{else}}\end{cases}}}$

El parámetro en cada una de las funciones anteriores ajusta las formas respectivas de las funciones. ${\displaystyle \lambda }$

Paso 2: Proceso de construcción. El movimiento de la hormiga se basa en 4 píxeles conectados u 8 píxeles conectados . La probabilidad con la que la hormiga se mueve viene dada por la ecuación de probabilidad ${\displaystyle P_{x,y}}$

Paso 3 y paso 5: Proceso de actualización. La matriz de feromonas se actualiza dos veces. En el paso 3 se actualiza el rastro de la hormiga (dado por ), mientras que en el paso 5 se actualiza la tasa de evaporación del rastro, que viene dada por: ${\displaystyle \tau _{(x,y)}}$

${\displaystyle \tau _{new}\leftarrow (1-\psi )\tau _{old}+\psi \tau _{0}}$,

¿Dónde está el coeficiente de desintegración de la feromona? ${\displaystyle \psi }$ ${\displaystyle 0<\tau <1}$

Paso 7: Proceso de decisión. Una vez que las hormigas K se han movido una distancia fija L durante N iteraciones, la decisión de si es un borde o no se basa en el umbral T de la matriz de feromonas τ. El umbral para el siguiente ejemplo se calcula según el método de Otsu .

Borde de la imagen detectado mediante ACO: Las imágenes a continuación se generan utilizando diferentes funciones dadas por las ecuaciones (1) a (4). ^[83]

• Enlace de bordes: ^[84] ACO también ha demostrado ser eficaz en algoritmos de enlace de bordes.

Otras aplicaciones

• Predicción de quiebra ^[85]
• Clasificación ^[86]
• Enrutamiento de red orientado a conexión ^[87]
• Enrutamiento de red sin conexión ^{[88] [89]}
• Minería de datos ^{[86] [90] [91] [92]}
• Flujos de efectivo descontados en la programación de proyectos ^[93]
• Recuperación de información distribuida ^{[94] [95]}
• Diseño de redes de energía y electricidad ^[96]
• Problema de programación del flujo de trabajo en cuadrícula ^[97]
• Diseño de péptidos inhibidores para interacciones proteína-proteína ^[98]
• Sistema de pruebas inteligente ^[99]
• Diseño de circuitos electrónicos de potencia ^[100]
• Plegamiento de proteínas ^{[101] [102] [103]}
• Identificación del sistema ^{[104] [105]}

Dificultad de definición

Con un algoritmo ACO, el camino más corto en un grafo, entre dos puntos A y B, se construye a partir de una combinación de varios caminos. ^[106] No es fácil dar una definición precisa de qué algoritmo es o no es una colonia de hormigas, porque la definición puede variar según los autores y los usos. En términos generales, los algoritmos de colonias de hormigas se consideran como metaheurísticas pobladas con cada solución representada por una hormiga que se mueve en el espacio de búsqueda. ^[107] Las hormigas marcan las mejores soluciones y tienen en cuenta las marcaciones anteriores para optimizar su búsqueda. Pueden verse como algoritmos probabilísticos multiagente que utilizan una distribución de probabilidad para hacer la transición entre cada iteración . ^[108] En sus versiones para problemas combinatorios, utilizan una construcción iterativa de soluciones. ^[109] Según algunos autores, lo que distingue a los algoritmos ACO de otros parientes (como los algoritmos para estimar la distribución o la optimización de enjambres de partículas) es precisamente su aspecto constructivo. En los problemas combinatorios, es posible que se encuentre la mejor solución, aunque ninguna hormiga resulte eficaz. Así, en el ejemplo del problema del viajante, no es necesario que una hormiga recorra realmente la ruta más corta: la ruta más corta puede construirse a partir de los segmentos más fuertes de las mejores soluciones. Sin embargo, esta definición puede ser problemática en el caso de problemas en variables reales, donde no existe una estructura de "vecinos". El comportamiento colectivo de los insectos sociales sigue siendo una fuente de inspiración para los investigadores. La amplia variedad de algoritmos (para optimización o no) que buscan la autoorganización en los sistemas biológicos ha llevado al concepto de " inteligencia de enjambre ", ^[11] que es un marco muy general en el que encajan los algoritmos de colonias de hormigas.

Algoritmos de estigmergia

En la práctica, existe un gran número de algoritmos que se proclaman "colonias de hormigas", sin que siempre compartan el marco general de optimización de las colonias de hormigas canónicas. ^[110] En la práctica, el uso de un intercambio de información entre hormigas a través del entorno (un principio llamado " estigmergia ") se considera suficiente para que un algoritmo pertenezca a la clase de algoritmos de colonias de hormigas. Este principio ha llevado a algunos autores a crear el término "valor" para organizar métodos y comportamientos basados ​​en la búsqueda de alimento, la clasificación de larvas, la división del trabajo y el transporte cooperativo. ^[111]

Métodos relacionados

Algoritmos genéticos (AG)

Estos mantienen un conjunto de soluciones en lugar de una sola. El proceso de búsqueda de soluciones superiores imita el de la evolución, en el que las soluciones se combinan o mutan para alterar el conjunto de soluciones y se descartan las de calidad inferior.

Algoritmo de estimación de distribución (EDA)

Un algoritmo evolutivo que sustituye los operadores de reproducción tradicionales por operadores guiados por modelos. Dichos modelos se aprenden de la población empleando técnicas de aprendizaje automático y se representan como modelos gráficos probabilísticos, a partir de los cuales se pueden muestrear nuevas soluciones ^{[112] [113]} o generar a partir de un cruce guiado. ^{[114] [115]}

Recocido simulado (SA)

Una técnica de optimización global relacionada que recorre el espacio de búsqueda generando soluciones vecinas de la solución actual. Siempre se acepta un vecino superior. Un vecino inferior se acepta de manera probabilística en función de la diferencia de calidad y un parámetro de temperatura. El parámetro de temperatura se modifica a medida que avanza el algoritmo para alterar la naturaleza de la búsqueda.

Optimización de búsqueda reactiva

Se centra en combinar el aprendizaje automático con la optimización, añadiendo un bucle de retroalimentación interno para autoajustar los parámetros libres de un algoritmo a las características del problema, de la instancia y de la situación local alrededor de la solución actual.

Búsqueda tabú (TS)

Similar al recocido simulado en que ambos recorren el espacio de soluciones probando mutaciones de una solución individual. Mientras que el recocido simulado genera solo una solución mutada, la búsqueda tabú genera muchas soluciones mutadas y se desplaza hacia la solución con la aptitud más baja de las generadas. Para evitar el ciclo y fomentar un mayor movimiento a través del espacio de soluciones, se mantiene una lista tabú de soluciones parciales o completas. Está prohibido desplazarse hacia una solución que contenga elementos de la lista tabú, que se actualiza a medida que la solución recorre el espacio de soluciones.

Sistema inmunológico artificial (SIA)

Modelado sobre los sistemas inmunes de los vertebrados.

Optimización de enjambre de partículas (PSO)

Un método de inteligencia de enjambre .

Gotas de agua inteligentes (IWD)

Un algoritmo de optimización basado en enjambres basado en gotas de agua naturales que fluyen en los ríos

Algoritmo de búsqueda gravitacional (GSA)

Un método de inteligencia de enjambre .

Método de agrupamiento de colonias de hormigas (ACCM)

Un método que utiliza el enfoque de agrupamiento y extiende el ACO.

Búsqueda de difusión estocástica (SDS)

Una técnica de búsqueda y optimización global probabilística basada en agentes, más adecuada para problemas en los que la función objetivo se puede descomponer en múltiples funciones parciales independientes.

Historia

Cronología de los algoritmos ACO

Cronología de algoritmos de optimización de colonias de hormigas.

• 1959, Pierre-Paul Grassé inventó la teoría de la estigmergia para explicar el comportamiento de la construcción de nidos en las termitas ; ^[116]
• En 1983, Deneubourg y sus colegas estudiaron el comportamiento colectivo de las hormigas ; ^[117]
• 1988, y Moyson Manderick tienen un artículo sobre la autoorganización entre las hormigas; ^[118]
• 1989, el trabajo de Goss, Aron, Deneubourg y Pasteels sobre el comportamiento colectivo de las hormigas argentinas , que dará la idea de los algoritmos de optimización de colonias de hormigas; ^[119]
• 1989, implementación de un modelo de comportamiento para la alimentación por Ebling y sus colegas; ^[120]
• En 1991, M. Dorigo propuso el sistema de las hormigas en su tesis doctoral (publicada en 1992 ^[7] ). Cinco años después se publicó un informe técnico extraído de la tesis y escrito en coautoría por V. Maniezzo y A. Colorni ^{[121] ; [26]}
• 1994, Appleby y Steward de British Telecommunications Plc publicaron la primera aplicación para redes de telecomunicaciones ^[122]
• En 1995, Gambardella y Dorigo propusieron ant-q , ^[123] la versión preliminar del sistema de colonias de hormigas como primera extensión del sistema de hormigas;. ^[26]
• 1996, Gambardella y Dorigo propusieron un sistema de colonias de hormigas ^[124]
• 1996, publicación del artículo sobre el sistema de hormigas; ^[26]
• 1997, Dorigo y Gambardella propusieron un sistema de colonias de hormigas hibridado con búsqueda local; ^[27]
• En 1997, Schoonderwoerd y sus colegas publicaron una aplicación mejorada para redes de telecomunicaciones ; ^[125]
• 1998, Dorigo lanza la primera conferencia dedicada a los algoritmos ACO; ^[126]
• 1998, Stützle propone implementaciones paralelas iniciales ; ^[127]
• En 1999, Gambardella, Taillard y Agazzi propusieron macs-vrptw , el primer sistema de colonias de hormigas múltiples aplicado a problemas de enrutamiento de vehículos con ventanas de tiempo, ^[57]
• 1999, Bonabeau, Dorigo y Theraulaz publican un libro que trata principalmente de hormigas artificiales ^[128]
• 2000, número especial de la revista Future Generation Computer Systems sobre algoritmos de hormigas ^[129]
• 2000, Hoos y Stützle inventan el sistema de hormigas máx-mín ; ^[28]
• 2000, primeras aplicaciones a la planificación , secuencia de planificación y satisfacción de restricciones ;
• 2000, Gutjahr proporciona la primera evidencia de convergencia para un algoritmo de colonias de hormigas ^[130]
• 2001, primer uso de algoritmos COA por parte de empresas (Eurobios y AntOptima);
• En 2001, Iredi y sus colegas publicaron el primer algoritmo multiobjetivo ^[131]
• 2002, primeras aplicaciones en el diseño de horarios, redes bayesianas;
• En 2002, Bianchi y sus colegas sugirieron el primer algoritmo para el problema estocástico ; ^[132]
• 2004, Dorigo y Stützle publican el libro Ant Colony Optimization con MIT Press ^[133]
• 2004, Zlochin y Dorigo muestran que algunos algoritmos son equivalentes al descenso de gradiente estocástico , el método de entropía cruzada y algoritmos para estimar la distribución ^[8]
• 2005, primeras aplicaciones a problemas de plegamiento de proteínas .
• En 2012, Prabhakar y sus colegas publicaron una investigación relacionada con el funcionamiento de las hormigas individuales que se comunican en tándem sin feromonas, lo que refleja los principios de la organización de redes informáticas. El modelo de comunicación se ha comparado con el Protocolo de Control de Transmisión . ^[134]
• 2016, primera aplicación al diseño de secuencias de péptidos. ^[98]
• 2017, integración exitosa del método de toma de decisiones multicriterio PROMETHEE en el algoritmo ACO ( algoritmo HUMANT ). ^[135]

Referencias

1. Waldner, Jean-Baptiste (2008). Nanocomputadoras e inteligencia de enjambre . Londres: ISTE John Wiley & Sons . pag. 225.ISBN​ 978-1-84704-002-2.
2. Monmarché Nicolás; Guinand Frédéric; Siarry Patricio (2010). Hormigas artificiales . Wiley-ISTE. ISBN 978-1-84821-194-0.
3. M. Dorigo ; LM Gambardella (1997). "Enfoque de aprendizaje para el problema del viajante de comercio". IEEE Transactions on Evolutionary Computation . 1 (1): 214. doi :10.1109/4235.585892.
4. Birattari, M.; Pellegrini, P.; Dorigo, M. (2007). "Sobre la invariancia de la optimización de colonias de hormigas". IEEE Transactions on Evolutionary Computation . 11 (6). Instituto de Ingenieros Eléctricos y Electrónicos (IEEE): 732–742. doi :10.1109/tevc.2007.892762. ISSN  1941-0026. S2CID  1591891.
5. Optimización de colonias de hormigas por Marco Dorigo y Thomas Stützle, MIT Press, 2004. ISBN 0-262-04219-3 
6. A. Colorni, M. Dorigo et V. Maniezzo, Optimización distribuida por colonias de hormigas , actes de la première conférence européenne sur la vie artificielle, París, Francia, Elsevier Publishing, 134-142, 1991.
7. M. Dorigo, Optimización, aprendizaje y algoritmos naturales , tesis doctoral, Politécnico de Milán, Italia, 1992.
8. M. Zlochin, M. Birattari, N. Meuleau, et M. Dorigo, Búsqueda basada en modelos para optimización combinatoria: un estudio crítico, Annals of Operations Research, vol. 131, págs. 373-395, 2004.
9. Fladerer, Johannes-Paul; Kurzmann, Ernst (noviembre de 2019). LA SABIDURÍA DE MUCHOS: cómo crear autoorganización y cómo utilizar la inteligencia colectiva en las empresas y en la sociedad a partir del maná . LIBROS A LA DEMANDA. ISBN 9783750422421.
10. Marco Dorigo y Thomas Stützle, Optimización de colonias de hormigas, p.12. 2004.
11. Waldner, Jean-Baptiste (2008). Nanocomputadoras e inteligencia de enjambre . Londres: ISTE John Wiley & Sons. pag. 214.ISBN​ 978-1-84704-002-2.
12. Waldner, Jean-Baptiste (2007). Inventor l'Ordinateur du XXIème Siècle . Londres: Hermes Science. págs. 259–265. ISBN 978-2-7462-1516-0.
13. Waldner, Jean-Baptiste (2008). Nanocomputadoras e inteligencia de enjambre . Londres: ISTE John Wiley & Sons. pag. 215.ISBN​ 978-1-84704-002-2.
14. Lima, Danielli A. y Gina MB Oliveira. "Un modelo de memoria de hormigas autómatas celulares para la búsqueda de alimento en un enjambre de robots". Applied Mathematical Modelling 47, 2017: 551-572.
15. Russell, R. Andrew. "Senderos de hormigas: ¿un ejemplo a seguir para los robots?". Robotics and Automation, 1999. Actas. Conferencia internacional IEEE de 1999. Vol. 4. IEEE, 1999.
16. Fujisawa, Ryusuke, et al. "Diseño de comunicación por feromonas en robótica de enjambre: comportamiento de búsqueda de alimento en grupo mediado por sustancias químicas". Swarm Intelligence 8.3 (2014): 227-246.
17. Sakakibara, Toshiki y Daisuke Kurabayashi. "Sistema de feromonas artificiales que utiliza RFID para la navegación de robots autónomos". Journal of Bionic Engineering 4.4 (2007): 245-253.
18. Arvin, Farshad, et al. "Investigación de la agregación basada en señales en entornos estáticos y dinámicos con un enjambre de robots móviles". Adaptive Behavior (2016): 1-17.
19. Farshad Arvin, et al. "Imitación de la agregación de abejas con el comportamiento colectivo de robots de enjambre". Revista internacional de sistemas de inteligencia computacional 4.4 (2011): 739-748.
20. Schmickl, Thomas, et al. "Póngase en contacto: toma de decisiones cooperativa basada en colisiones entre robots". Agentes autónomos y sistemas multiagente 18.1 (2009): 133-155.
21. Garnier, Simon, et al. "¿Las hormigas necesitan estimar las propiedades geométricas de las bifurcaciones de los senderos para encontrar una ruta eficiente? Un banco de pruebas de robótica de enjambre". PLoS Comput Biol 9.3 (2013): e1002903.
22. Arvin, Farshad, et al. "Agregación basada en señales con un enjambre de robots móviles: un nuevo método basado en la información difusa". Adaptive Behavior 22.3 (2014): 189-206.
23. Garnier, Simon, et al. "Alicia en el país de las feromonas: un experimento para el estudio de robots similares a hormigas". Simposio sobre inteligencia de enjambres del IEEE de 2007. IEEE, 2007.
24. Farshad Arvin et al. "COSΦ: sistema de feromonas artificiales para la investigación de enjambres robóticos". Conferencia internacional IEEE/RSJ sobre robots y sistemas inteligentes (IROS) 2015.
25. Krajník, Tomáš, et al. "Un sistema práctico de localización de múltiples robots Archivado el 16 de octubre de 2019 en Wayback Machine ." Journal of Intelligent & Robotic Systems 76.3-4 (2014): 539-562.
26. M. Dorigo, V. Maniezzo, et A. Colorni, Sistema de hormigas: optimización por una colonia de agentes cooperantes , IEEE Transactions on Systems, Man, and Cybernetics--Parte B, volumen 26, número 1, páginas 29-41, 1996.
27. M. Dorigo y LM Gambardella, Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem , IEEE Transactions on Evolutionary Computation, volumen 1, número 1, páginas 53-66, 1997.
28. T. Stützle y HH Hoos, MAX MIN Ant System , Future Generation Computer Systems, volumen 16, páginas 889-914, 2000
29. Chu SC, Roddick JF, Pan J S. Sistema de colonias de hormigas con estrategias de comunicación[J]. Ciencias de la información, 2004, 167(1-4): 63-76.
30. X Hu, J Zhang y Y Li (2008). Búsqueda de colonias de hormigas basada en métodos ortogonales para resolver problemas de optimización continua. Journal of Computer Science and Technology, 23(1), pp.2-18.
31. Gupta, DK; Arora, Y.; Singh, Reino Unido; Gupta, JP, "Optimización recursiva de colonias de hormigas para la estimación de parámetros de una función", 1.ª Conferencia internacional sobre avances recientes en tecnología de la información (RAIT), vol., n.º, págs. 448-454, 15-17 de marzo de 2012
32. Gupta, DK; Gupta, JP; Arora, Y.; Shankar, U., "Optimización recursiva de colonias de hormigas: una nueva técnica para la estimación de parámetros de función a partir de datos de campo geofísicos Archivado el 21 de diciembre de 2019 en Wayback Machine ", Near Surface Geophysics, vol. 11, núm. 3, págs. 325-339
33. VKOjha, A. Abraham y V. Snasel, ACO para optimización de funciones continuas: un análisis de rendimiento, 14.a Conferencia internacional sobre diseño y aplicaciones de sistemas inteligentes (ISDA), Japón, páginas 145-150, 2017, 978-1-4799-7938-7/14 2014 IEEE.
34. LM Gambardella, M. Dorigo, "Un sistema de colonia de hormigas hibridado con una nueva búsqueda local para el problema de ordenamiento secuencial", INFORMS Journal on Computing, vol.12(3), pp. 237-255, 2000.
35. D. Martens, M. De Backer, R. Haesen, J. Vanthienen, M. Snoeck, B. Baesens, Clasificación con optimización de colonias de hormigas , IEEE Transactions on Evolutionary Computation, volumen 11, número 5, páginas 651—665, 2007.
36. B. Pfahring, "Búsqueda de múltiples agentes para programación abierta: adaptación del formalismo Ant-Q", Informe técnico TR-96-09, 1996.
37. C. Blem, "Beam-ACO, optimización de colonias de hormigas mediante hibridación con búsqueda de haces. Una aplicación para la programación de talleres abiertos", Informe técnico TR/IRIDIA/2003-17, 2003.
38. T. Stützle, "Un enfoque de hormigas al problema del taller de flujo", Informe técnico AIDA-97-07, 1997.
39. A. Bauer, B. Bullnheimer, RF Hartl y C. Strauss, "Minimizar la tardanza total en una sola máquina utilizando la optimización de colonias de hormigas", Revista Central Europea de Investigación de Operaciones y Economía, vol. 8, n.º 2, págs. 125-141, 2000.
40. M. den Besten, "Hormigas para el problema de tardanza total ponderada de una sola máquina", tesis de maestría, Universidad de Ámsterdam, 2000.
41. M, den Bseten, T. Stützle y M. Dorigo, "Optimización de colonias de hormigas para el problema de tardanza ponderada total", Actas de PPSN-VI, Sexta Conferencia Internacional sobre Resolución de Problemas Paralelos de la Naturaleza, vol. 1917 de Lecture Notes in Computer Science , págs. 611-620, 2000.
42. D. Merkle y M. Middendorf, "Un algoritmo de hormigas con una nueva regla de evaluación de feromonas para problemas de tardanza total", Aplicaciones en el mundo real de la computación evolutiva, vol. 1803 de Lecture Notes in Computer Science, págs. 287-296, 2000.
43. D. Merkle, M. Middendorf y H. Schmeck, "Optimización de colonias de hormigas para la programación de proyectos con recursos limitados", Actas de la Conferencia sobre Computación Genética y Evolutiva (GECCO 2000), págs. 893-900, 2000.
44. C. Blum, "ACO aplicado a la programación de talleres grupales: un estudio de caso sobre intensificación y diversificación ^{[ vínculo muerto permanente ]} ", Actas de ANTS 2002, vol. 2463 de Lecture Notes in Computer Science, págs. 14-27, 2002.
45. C. Gagné, WL Price y M. Gravel, "Comparación de un algoritmo ACO con otras heurísticas para el problema de programación de una sola máquina con tiempos de configuración dependientes de la secuencia", Journal of the Operational Research Society, vol. 53, pp. 895-906, 2002.
46. AV Donati, V. Darley, B. Ramachandran, "Un algoritmo de licitación anti-inserción para el problema de programación de flujo de múltiples etapas: optimización y transiciones de fase", capítulo de libro en Advances in Metaheuristics for Hard Optimization, Springer, ISBN 978-3-540-72959-4 , pp.111-138, 2008. 
47. Han, Z., Wang, Y. y Tian, ​​D. Optimización de colonias de hormigas para la planificación de secuencias de ensamblaje basada en la optimización de parámetros. Front. Mech. Eng. 16, 393–409 (2021). https://doi.org/10.1007/s11465-020-0613-3
48. Toth, Paolo; Vigo, Daniele (2002). "Modelos, relajaciones y enfoques exactos para el problema de enrutamiento de vehículos capacitados". Matemáticas Aplicadas Discretas . 123 (1–3): 487–512. doi : 10.1016/S0166-218X(01)00351-1 .
49. JM Belenguer y E. Benavent, "Un algoritmo de plano de corte para el problema de enrutamiento de arco capacitado", Computers & Operations Research, vol. 30, n.º 5, pp. 705-728, 2003.
50. TK Ralphs, "Rama y corte paralelos para enrutamiento de vehículos capacitados", Parallel Computing, vol. 29, pp. 607-629, 2003.
51. Salhi, S.; Sari, M. (1997). "Una heurística compuesta de múltiples niveles para el problema de la combinación de flotas de vehículos en múltiples depósitos". Revista Europea de Investigación Operativa . 103 : 95–112. doi :10.1016/S0377-2217(96)00253-6.
52. Angelelli, Enrico; Speranza, Maria Grazia (2002). "El problema de enrutamiento periódico de vehículos con instalaciones intermedias". Revista Europea de Investigación Operativa . 137 (2): 233–247. doi :10.1016/S0377-2217(01)00206-5.
53. Ho, Sin C.; Haugland, Dag (2002). "Una heurística de búsqueda tabú para el problema de enrutamiento de vehículos con ventanas de tiempo y entregas divididas". Computers and Operations Research . 31 (12): 1947–1964. CiteSeerX 10.1.1.8.7096 . doi :10.1016/S0305-0548(03)00155-2. 
54. Secomandi, Nicola. "Comparación de algoritmos de programación neurodinámica para el problema de enrutamiento de vehículos con demandas estocásticas". Computers & Operations Research : 2000. CiteSeerX 10.1.1.392.4034 . 
55. WP Nanry y JW Barnes, "Resolución del problema de recogida y entrega con ventanas de tiempo utilizando la búsqueda tabú reactiva", Transportation Research Part B, vol. 34, núm. 2, pp. 107-121, 2000.
56. R. Bent y PV Hentenryck, "Un algoritmo híbrido de dos etapas para problemas de enrutamiento de vehículos de recogida y entrega con ventanas de tiempo", Computers & Operations Research, vol. 33, n.º 4, pp. 875-893, 2003.
57. LM Gambardella, E. Taillard, G. Agazzi, "MACS-VRPTW: Un sistema de colonias de hormigas múltiples para problemas de enrutamiento de vehículos con ventanas de tiempo", en D. Corne, M. Dorigo y F. Glover, editores, Nuevas ideas en optimización, McGraw-Hill, Londres, Reino Unido, págs. 63-76, 1999.
58. Bachem, A.; Hochstättler, W.; Malich, M. (1996). "La heurística de comercio simulado para resolver problemas de enrutamiento de vehículos". Matemáticas Aplicadas Discretas . 65 (1–3): 47–72. doi : 10.1016/0166-218X(95)00027-O .
59. Hong, Sung-Chul; Park, Yang-Byung (1999). "Una heurística para el enrutamiento de vehículos bi-objetivo con restricciones de ventana de tiempo". Revista Internacional de Economía de la Producción . 62 (3): 249–258. doi :10.1016/S0925-5273(98)00250-3.
60. Russell, Robert A.; Chiang, Wen-Chyuan (2006). "Búsqueda de dispersión para el problema de enrutamiento de vehículos con ventanas de tiempo". Revista Europea de Investigación Operativa . 169 (2): 606–622. doi :10.1016/j.ejor.2004.08.018.
61. AV Donati, R. Montemanni, N. Casagrande, AE Rizzoli, LM Gambardella, "Problema de enrutamiento de vehículos dependiente del tiempo con un sistema de colonias de hormigas múltiples", European Journal of Operational Research, vol. 185, n.º 3, pp. 1174-1191, 2008.
62. Stützle, Thomas (1997). "Sistema de hormigas MAX-MIN para problemas de asignación cuadrática". CiteSeerX 10.1.1.47.5167 . 
     • Stützle, Thomas (julio de 1997). MAX-MIN Ant System for Quadratic Assignment Problems (informe técnico). TU Darmstadt, Alemania: FG Intellektik. AIDA–97–4.
63. R. Lourenço y D. Serra "Heurísticas de búsqueda adaptativa para el problema de asignación generalizada", Mathware & soft computing, vol. 9, n.º 2-3, 2002.
64. M. Yagiura, T. Ibaraki y F. Glover, "Un enfoque de cadena de eyección para el problema de asignación generalizada", INFORMS Journal on Computing, vol. 16, núm. 2, págs. 133–151, 2004.
65. KI Aardal, SPM van Hoesel , AMCA Koster, C. Mannino y Antonio. Sassano, "Modelos y técnicas de solución para el problema de asignación de frecuencia", A Quarterly Journal of Operations Research, vol. 1, n.º 4, págs. 261-317, 2001.
66. YC Liang y AE Smith, "Un algoritmo de optimización de colonias de hormigas para el problema de asignación de redundancia (RAP) ^{[ enlace muerto permanente ]} ", IEEE Transactions on Reliability, vol. 53, n.º 3, pp. 417-423, 2004.
67. G. Leguizamon y Z. Michalewicz, "Una nueva versión del sistema de hormigas para problemas de subconjuntos", Actas del Congreso de Computación Evolutiva de 1999 (CEC 99), vol. 2, pp. 1458-1464, 1999.
68. R. Hadji, M. Rahoual, E. Talbi y V. Bachelet "Colonias de hormigas para el problema de cobertura de conjuntos", Actas abstractas de ANTS2000, págs. 63-66, 2000.
69. V Maniezzo y M Milandri, "Un marco basado en hormigas para problemas muy fuertemente restringidos", Actas de ANTS2000, págs. 222-227, 2002.
70. R. Cordone y F. Maffioli, "Sistema de hormigas coloreadas y búsqueda local para diseñar redes de telecomunicaciones locales ^{[ enlace muerto permanente ]} ", Aplicaciones de la computación evolutiva: Actas de talleres Evo, vol. 2037, págs. 60-69, 2001.
71. C. Blum y MJ Blesa, "Metaheurísticas para el problema del árbol de cardinalidad k ponderado por arista", Informe técnico TR/IRIDIA/2003-02, IRIDIA, 2003.
72. S. Fidanova, "Algoritmo ACO para MKP utilizando diversa información heurística", Métodos numéricos y aplicaciones, vol. 2542, pp. 438-444, 2003.
73. G. Leguizamon, Z. Michalewicz y Martin Schutz, "Un sistema de hormigas para el problema del conjunto máximo independiente", Actas del Congreso Argentino de Informática de 2001, vol. 2, pp. 1027-1040, 2001.
74. O. Okobiah, SP Mohanty y E. Kougianos, "Algoritmo de colonia de hormigas asistido por metamodelo de kriging ordinario para optimización rápida del diseño analógico Archivado el 4 de marzo de 2016 en Wayback Machine ", en Actas del 13.º Simposio internacional IEEE sobre diseño electrónico de calidad (ISQED), págs. 458-463, 2012.
75. M. Sarkar, P. Ghosal y SP Mohanty, "Síntesis de circuitos reversibles utilizando el método Quinne-McCluskey basado en ACO y SA Archivado el 29 de julio de 2014 en Wayback Machine ", en Actas del 56.º Simposio Internacional IEEE del Medio Oeste sobre Circuitos y Sistemas (MWSCAS), 2013, págs. 416-419.
76. Ermolaev SY, Slyusar VI Síntesis de antena basada en el algoritmo de optimización de colonias de hormigas.// Proc. ICATT'2009, Lviv, Ucrania 6 - 9 de octubre de 2009. - Páginas 298 - 300 [1]
77. Marcus Randall, Andrew Lewis, Amir Galehdar, David Thiel. Uso de la optimización de colonias de hormigas para mejorar la eficiencia de antenas RFID de líneas de meandro pequeñas.// En la 3.ª Conferencia internacional IEEE sobre ciencia electrónica y computación en red [2], 2007
78. S. Meshoul y M Batouche, "Sistema de colonia de hormigas con dinámica extrema para correspondencia de puntos y estimación de pose", Actas de la 16.ª Conferencia Internacional sobre Reconocimiento de Patrones, vol. 3, págs. 823-826, 2002.
79. H. Nezamabadi-pour, S. Saryazdi y E. Rashedi, "Detección de bordes utilizando algoritmos de hormigas", Soft Computing, vol. 10, n.º 7, págs. 623-628, 2006.
80. Tian, ​​Jing; Yu, Weiyu; Xie, Shengli (2008). "Un algoritmo de optimización de colonias de hormigas para la detección de bordes de imágenes". Congreso IEEE sobre Computación Evolutiva de 2008 (Congreso Mundial IEEE sobre Inteligencia Computacional) . pp. 751–756. doi :10.1109/CEC.2008.4630880. ISBN . 978-1-4244-1822-0.S2CID 1782195  .
81. Gupta, Charu; Gupta, Sunanda. "Detección de bordes de una imagen basada en la técnica de optimización de colonias de hormigas".^{[ enlace muerto permanente ]}
82. Jevtić, A.; Quintanilla-Dominguez, J.; Cortina-Januchs, MG; Andina, D. (2009). "Detección de bordes utilizando un algoritmo de búsqueda de colonias de hormigas y mejora de contraste multiescala". 2009 IEEE International Conference on Systems, Man and Cybernetics . págs. 2193–2198. doi :10.1109/ICSMC.2009.5345922. ISBN 978-1-4244-2793-2.S2CID11654036  .​
83. "Intercambio de archivos: optimización de colonias de hormigas (ACO)". MATLAB Central . 21 de julio de 2023.
84. Jevtić, A.; Melgar, I.; Andina, D. (2009). "Algoritmo de enlace de bordes basado en hormigas". 2009 35.ª Conferencia Anual de Electrónica Industrial IEEE . 35.ª Conferencia Anual de Electrónica Industrial IEEE, 3-5 de noviembre de 2009. IECON '09. págs. 3353–3358. doi :10.1109/IECON.2009.5415195. ISBN 978-1-4244-4648-3.S2CID34664559  .​
85. Zhang, Y. (2013). "Un modelo basado en reglas para la predicción de quiebras basado en un algoritmo genético mejorado de colonias de hormigas". Problemas matemáticos en ingeniería . 2013 : 753251. doi : 10.1155/2013/753251 .
86. D. Martens, M. De Backer, R. Haesen, J. Vanthienen, M. Snoeck, B. Baesens, "Clasificación con optimización de colonias de hormigas", IEEE Transactions on Evolutionary Computation, volumen 11, número 5, páginas 651—665, 2007.
87. GD Caro y M. Dorigo, "Extensión de AntNet para enrutamiento de calidad de servicio de máximo esfuerzo", Actas del Primer Taller Internacional sobre Optimización de Colonias de Hormigas (ANTS'98), 1998.
88. GD Caro y M. Dorigo "AntNet: un enfoque de agentes móviles para el enrutamiento adaptativo ^{[ enlace muerto permanente ]} ", Actas de la Trigésima Primera Conferencia Internacional de Hawái sobre Ciencia de Sistemas, vol. 7, págs. 74-83, 1998.
89. GD Caro y M. Dorigo, "Dos algoritmos de colonia de hormigas para el enrutamiento de mejor esfuerzo en redes de datagramas", Actas de la Décima Conferencia Internacional IASTED sobre Computación y Sistemas Paralelos y Distribuidos (PDCS'98), págs. 541-546, 1998.
90. D. Martens, B. Baesens, T. Fawcett "Encuesta editorial: Inteligencia de enjambre para minería de datos", Machine Learning, volumen 82, número 1, págs. 1-42, 2011
91. RS Parpinelli, HS Lopes y A. A Freitas, "Un algoritmo de colonia de hormigas para el descubrimiento de reglas de clasificación", Minería de datos: un enfoque heurístico, págs. 191-209, 2002.
92. RS Parpinelli, HS Lopes y A. A Freitas, "Minería de datos con un algoritmo de optimización de colonias de hormigas ^{[ enlace roto ]} ", IEEE Transactions on Evolutionary Computation, vol.6, no.4, pp.321-332, 2002.
93. WN Chen, J. ZHANG y H. Chung, "Optimización de flujos de efectivo descontados en la programación de proyectos: un enfoque de optimización de colonias de hormigas", IEEE Transactions on Systems, Man, and Cybernetics--Parte C: Aplicaciones y revisiones Vol.40 No.5 pp.64-77, enero de 2010.
94. D. Picard, A. Revel, M. Cord, "Una aplicación de la inteligencia de enjambre a la recuperación distribuida de imágenes", Ciencias de la información, 2010
95. D. Picard, M. Cord, A. Revel, "Recuperación de imágenes a través de redes: aprendizaje activo utilizando el algoritmo Ant", IEEE Transactions on Multimedia, vol. 10, n.º 7, págs. 1356-1365 - noviembre de 2008
96. Warner, Lars; Vogel, Ute (2008). Optimización de redes de suministro de energía mediante la optimización de colonias de hormigas (PDF) . Informática ambiental y ecología industrial: 22.ª Conferencia internacional sobre informática para la protección del medio ambiente. Aquisgrán, Alemania: Shaker Verlag. ISBN 978-3-8322-7313-2. Recuperado el 9 de octubre de 2018 .
97. WN Chen y J. ZHANG "Enfoque de optimización de colonias de hormigas para el problema de programación del flujo de trabajo de la red con varios requisitos de calidad de servicio", IEEE Transactions on Systems, Man, and Cybernetics--Parte C: Aplicaciones y revisiones, vol. 31, n.º 1, págs. 29-43, enero de 2009.
98. Zaidman, Daniel; Wolfson, Haim J. (1 de agosto de 2016). "PinaColada: algoritmo de diseño ad hoc de colonias de hormigas con inhibidores de péptidos". Bioinformática . 32 (15): 2289–2296. doi : 10.1093/bioinformatics/btw133 . ISSN  1367-4803. PMID  27153578.
99. Xiao. M.Hu, J. ZHANG y H. Chung, "Un sistema de prueba inteligente integrado con un método de composición de prueba basado en la optimización de colonias de hormigas", IEEE Transactions on Systems, Man, and Cybernetics--Part C: Applications and Reviews, vol. 39, n.º 6, págs. 659-669, diciembre de 2009.
100. J. ZHANG, H. Chung, WL Lo y T. Huang, "Algoritmo de optimización de colonias de hormigas extendidas para el diseño de circuitos electrónicos de potencia", IEEE Transactions on Power Electronic. Vol. 24, N.º 1, págs. 147-162, enero de 2009.
101. XM Hu, J. ZHANG, J. Xiao y Y. Li, "Plegamiento de proteínas en un modelo de red polar hidrófoba: un enfoque flexible de optimización de colonias de hormigas", Protein and Peptide Letters, Volumen 15, Número 5, 2008, Pp. 469-477.
102. A. Shmygelska, RA Hernández y HH Hoos, "Un algoritmo de optimización de colonias de hormigas para el problema de plegamiento de proteínas HP 2D ^{[ enlace muerto permanente ]} ", Actas del 3er Taller Internacional sobre Algoritmos de Hormigas/ANTS 2002, Lecture Notes in Computer Science, vol.2463, pp.40-52, 2002.
103. M. Nardelli; L. Tedesco; A. Bechini (marzo de 2013). "Comportamiento reticular cruzado del plegamiento general de ACO para proteínas en el modelo HP". SAC '13: Actas del 28.º Simposio Anual de la ACM sobre Informática Aplicada . págs. 1320–1327. doi :10.1145/2480362.2480611. ISBN . 9781450316569.S2CID1216890  .​
104. L. Wang y QD Wu, "Identificación de parámetros de sistemas lineales basada en el algoritmo del sistema hormiga", Actas de la Conferencia IEEE sobre Aplicaciones de Control, págs. 401-406, 2001.
105. KC Abbaspour, R. Schulin , MT Van Genuchten, "Estimación de parámetros hidráulicos de suelos no saturados utilizando la optimización de colonias de hormigas", Advances In Water Resources, vol. 24, núm. 8, págs. 827-841, 2001.
106. Shmygelska, Alena; Hoos, Holger H. (2005). "Un algoritmo de optimización de colonias de hormigas para el problema de plegamiento de proteínas polares hidrofóbicas 2D y 3D". BMC Bioinformatics . 6 : 30. doi : 10.1186/1471-2105-6-30 . PMC 555464 . PMID  15710037. 
107. Fred W. Glover, Gary A. Kochenberger, Manual de metaheurísticas , [3], Springer (2003)
108. "Ciad-Lab |" (PDF) .
109. WJ Gutjahr, Algoritmos ACO con convergencia garantizada a la solución óptima , [4] ^{[ enlace muerto permanente ]} , (2002)
110. Santpal Singh Dhillon, Algoritmos de enrutamiento, búsqueda y estimación de topología de Ant para redes ad hoc , [5], IOS Press, (2008)
111. A. Ajith; G. Crina; R. Vitorino (editores), Optimización estigmérgica , Estudios en inteligencia computacional, volumen 31, 299 páginas, 2006. ISBN 978-3-540-34689-0 
112. Pelikan, Martin; Goldberg, David E.; Cantú-Paz, Erick (julio de 1999). "BOA: El algoritmo de optimización bayesiano". GECCO'99: Actas de la 1.ª Conferencia Anual sobre Computación Genética y Evolutiva - Volumen 1. pp. 525–532. ISBN 9781558606111.
113. Pelikan, Martin (2005). Algoritmo de optimización bayesiana jerárquica: hacia una nueva generación de algoritmos evolutivos (1.ª ed.). Berlín: Springer. ISBN 978-3-540-23774-7.
114. Thierens, Dirk (11 de septiembre de 2010). "El algoritmo genético del árbol de ligamiento". Resolución de problemas paralelos de la naturaleza, PPSN XI . pp. 264–273. doi :10.1007/978-3-642-15844-5_27. ISBN 978-3-642-15843-8. Número de identificación del sujeto  28648829.
115. Martins, Jean P.; Fonseca, Carlos M.; Delbem, Alexandre CB (25 de diciembre de 2014). "Sobre el rendimiento de los algoritmos genéticos de árboles de ligamiento para el problema multidimensional de la mochila". Neurocomputing . 146 : 17–29. doi :10.1016/j.neucom.2014.04.069.
116. P.-P. Grassé, La reconstrucción del nid y las coordinaciones interindividuelles chez Belicositermes natalensis et Cubitermes sp. La théorie de la Stigmergie: Essai d'interprétation du comportement des termites constructeurs , Insectes Sociaux, número 6, p. 41-80, 1959.
117. JL Denebourg, JM Pasteels y JC Verhaeghe, Comportamiento probabilístico en hormigas: ¿una estrategia de errores?, Journal of Theoretical Biology, número 105, 1983.
118. F. Moyson, B. Manderick, El comportamiento colectivo de las hormigas: un ejemplo de autoorganización en paralelismo masivo , Actas de la AAAI, Simposio de primavera sobre modelos paralelos de inteligencia, Stanford, California, 1988.
119. S. Goss, S. Aron, J.-L. Deneubourg y J.-M. Pasteels, Atajos autoorganizados en la hormiga argentina , Naturwissenschaften, volumen 76, páginas 579-581, 1989
120. M. Ebling, M. Di Loreto, M. Presley, F. Wieland y D. Jefferson, Un modelo de búsqueda de alimento para hormigas implementado en el sistema operativo Time Warp , Actas de la multiconferencia SCS sobre simulación distribuida, 1989
121. Dorigo M., V. Maniezzo et A. Colorni, La retroalimentación positiva como estrategia de búsqueda , técnica de rapport número 91-016, Dip. Elettronica, Politecnico di Milano, Italia, 1991
122. Appleby, S. y Steward, S. Agentes de software móviles para el control en redes de telecomunicaciones, BT Technol. J., 12(2):104–113, abril de 1994
123. LM Gambardella y M. Dorigo, "Ant-Q: un enfoque de aprendizaje por refuerzo para el problema del viajante de comercio", Actas de ML-95, Duodécima Conferencia Internacional sobre Aprendizaje Automático, A. Prieditis y S. Russell (Eds.), Morgan Kaufmann, págs. 252-260, 1995
124. LM Gambardella y M. Dorigo, "Resolución de TSP simétricos y asimétricos mediante colonias de hormigas", Actas de la Conferencia IEEE sobre Computación Evolutiva, ICEC96, Nagoya, Japón, 20-22 de mayo, págs. 622-627, 1996;
125. R. Schoonderwoerd, O. Holland, J. Bruten y L. Rothkrantz, Balanceo de carga basado en hormigas en redes de telecomunicaciones , Adaptive Behaviour, volumen 5, número 2, páginas 169-207, 1997
126. M. Dorigo, ANTS' 98, De colonias de hormigas a hormigas artificiales: primer taller internacional sobre optimización de colonias de hormigas, ANTS 98 , Bruselas, Bélgica, octubre de 1998.
127. T. Stützle, Estrategias de paralelización para la optimización de colonias de hormigas , Actas de PPSN-V, Quinta Conferencia Internacional sobre Resolución de Problemas Paralelos de la Naturaleza, Springer-Verlag, volumen 1498, páginas 722-731, 1998.
128. É. Bonabeau, M. Dorigo y G. Theraulaz, Inteligencia de enjambre , Oxford University Press, 1999.
129. M. Dorigo, G. Di Caro y T. Stützle, Número especial sobre "Algoritmos de hormigas ^{[ enlace roto ]} " , Future Generation Computer Systems, volumen 16, número 8, 2000
130. WJ Gutjahr, Un sistema Ant basado en gráficos y su convergencia , Future Generation Computer Systems, volumen 16, páginas 873-888, 2000.
131. S. Iredi, D. Merkle y M. Middendorf, Optimización de dos criterios con algoritmos de hormigas de múltiples colonias , Optimización multicriterio evolutiva, Primera Conferencia Internacional (EMO'01), Zurich, Springer Verlag, páginas 359-372, 2001.
132. L. Bianchi, LM Gambardella y M. Dorigo, Un enfoque de optimización de colonias de hormigas para el problema probabilístico del viajante de comercio , PPSN-VII, Séptima Conferencia Internacional sobre Resolución de Problemas Paralelos de la Naturaleza, Notas de clase en Ciencias de la Computación, Springer Verlag, Berlín, Alemania, 2002.
133. M. Dorigo y T. Stützle, Optimización de colonias de hormigas , MIT Press, 2004.
134. B. Prabhakar, KN Dektar, DM Gordon, "La regulación de la actividad de búsqueda de alimento de las colonias de hormigas sin información espacial", PLOS Computational Biology, 2012. URL: http://www.ploscompbiol.org/article/info%3Adoi%2F10.1371%2Fjournal.pcbi.1002670
135. Mladineo, Marko; Veza, Ivica; Gjeldum, Nikola (2017). "Resolución del problema de selección de socios en redes de producción ciberfísicas utilizando el algoritmo HUMANT". Revista Internacional de Investigación en Producción . 55 (9): 2506–2521. doi :10.1080/00207543.2016.1234084. S2CID  114390939.

Publicaciones (seleccionadas)

• M. Dorigo , 1992. Optimización, aprendizaje y algoritmos naturales , tesis doctoral, Politecnico di Milano, Italia.
• M. Dorigo, V. Maniezzo y A. Colorni, 1996. "Sistema de hormigas: optimización mediante una colonia de agentes cooperadores", IEEE Transactions on Systems, Man, and Cybernetics–Parte B, 26 (1): 29–41.
• M. Dorigo y LM Gambardella , 1997. "Sistema de colonias de hormigas: un enfoque de aprendizaje cooperativo para el problema del viajante". IEEE Transactions on Evolutionary Computation, 1 (1): 53–66.
• M. Dorigo, G. Di Caro y LM Gambardella, 1999. "Algoritmos Ant para optimización discreta Archivado el 6 de octubre de 2018 en Wayback Machine ". Vida artificial, 5 (2): 137–172.
• E. Bonabeau, M. Dorigo y G. Theraulaz, 1999. Inteligencia de enjambre: de sistemas naturales a artificiales , Oxford University Press, ISBN 0-19-513159-2 
• M. Dorigo y T. Stützle, 2004. Optimización de colonias de hormigas , MIT Press. ISBN 0-262-04219-3 
• M. Dorigo, 2007. "Optimización de colonias de hormigas". Scholarpedia.
• C. Blum, 2005 "Optimización de colonias de hormigas: Introducción y tendencias recientes". Physics of Life Reviews, 2: 353-373
• M. Dorigo, M. Birattari y T. Stützle, 2006 Optimización de colonias de hormigas: hormigas artificiales como técnica de inteligencia computacional . TR/IRIDIA/2006-023
• Mohd Murtadha Mohamad, "Planificación del movimiento de robots articulados utilizando la estrategia de búsqueda de alimento de las hormigas", Journal of Information Technology - Special Issues in Artificial Intelligence, vol. 20, n.º 4, págs. 163-181, diciembre de 2008, ISSN  0128-3790.
• N. Monmarché, F. Guinand y P. Siarry (eds), "Artificial Ants", agosto de 2010 Tapa dura 576 pp.  ISBN 978-1-84821-194-0 . 
• A. Kazharov, V. Kureichik, 2010. "Algoritmos de optimización de colonias de hormigas para resolver problemas de transporte", Journal of Computer and Systems Sciences International, vol. 49. núm. 1. págs. 30–43.
• CM. Pintea, 2014, Avances en computación bioinspirada para problemas de optimización combinatoria, Springer ISBN 978-3-642-40178-7 
• K. Saleem, N. Fisal, MA Baharudin, AA Ahmed, S. Hafizah y S. Kamilah, "Protocolo de enrutamiento autooptimizado inspirado en colonias de hormigas basado en una arquitectura de capas cruzadas para redes de sensores inalámbricos", WSEAS Trans. Commun., vol. 9, núm. 10, págs. 669–678, 2010. ISBN 978-960-474-200-4 
• K. Saleem y N. Fisal, "Algoritmo de colonia de hormigas mejorado para enrutamiento seguro de datos autooptimizado en redes de sensores inalámbricos", Redes (ICON) 2012 18.ª Conferencia Internacional IEEE sobre, págs. 422-427. ISBN 978-1-4673-4523-1 
• Abolmaali S, Roodposhti FR. Optimización de carteras mediante el método de colonias de hormigas: estudio de caso sobre la Bolsa de Valores de Teherán. Journal of Accounting. 2018 Mar;8(1).

Enlaces externos

• Página de optimización de colonias de hormigas de Scholarpedia
• Página de inicio de optimización de colonias de hormigas
• Optimización de colonias de hormigas: comunidad científica y de investigación rusa
• AntSim - Simulación de algoritmos de colonias de hormigas
• MIDACO-Solver Software de optimización de propósito general basado en la optimización de colonias de hormigas (Matlab, Excel, VBA, C/C++, R, C#, Java, Fortran y Python)
• University of Kaiserslautern, Germany, AG Wehn: Ant Colony Optimization Applet Visualization of Traveling Salesman solved by ant system with numerous options and parameters (Java Applet)
• Ant algorithm simulation (Java Applet)
• Java Ant Colony System Framework
• Ant Colony Optimization Algorithm Implementation (Python Notebook)