Colonie de Fourmis

Colonie de fourmis
Universit de Moncton Grard J. Poitras 2013

53

Facult
dingnierie

Mthodes avances ding. II
GGEN6090
Facult dingnierie
Prof. Grard J. Poitras, ing.
Bureau : 132G2
Tl : 858-4759
Courriel :
gerard.poitras@umoncton.ca

Facult
dingnierie

Les algorithmes de colonies de fourmis sont des algorithmes inspirs du
comportement des fourmis.
Algorithme de colonies de fourmis
Initialement propos par Marco Dorigo
et al. dans les annes 1990, le premier
algorithme sinspire du comportement
des fourmis recherchant un chemin entre
leur colonie et une source de nourriture.
Il est maintenant utilis pour rsoudre
une classe plus large de problmes en
sinspirant de divers aspects du
comportement des fourmis.

Colonie de fourmis
54

Facult
dingnierie

Lide originale provient de lobservation de
lexploitation des ressources alimentaires chez les
fourmis.
Une colonie de fourmis ayant le choix entre deux
chemins dingale longueur menant une source
de nourriture avait tendance utiliser le chemin le
plus court.
Ils sont capables collectivement de trouver le
chemin le plus court entre une source de nourriture
et leur nid.

Facult
dingnierie

1. La premire fourmi trouve la source de nourriture, via
un chemin quelconque, puis revient au nid en laissant
derrire elle une piste de phromone.
2. Les fourmis empruntent indiffremment des chemins
possibles, mais le renforcement de la piste rend plus
attrayant le chemin le plus court.
3. Les fourmis empruntent le chemin le plus court, les
portions longues des autres chemins perdent leur piste
de phromones.
Principe :
phromone

Colonie de fourmis
55

Facult
dingnierie

Une fourmi (appele claireuse) parcourt plus ou moins
au hasard lenvironnement autour de la colonie;
Si celle-ci dcouvre une source de nourriture, elle rentre
plus ou moins directement au nid, en laissant sur son
chemin une piste de phromones;
Ces phromones tant attrayantes, les fourmis passant
proximit vont avoir tendance suivre, de faon plus ou
moins directe, cette piste;
En revenant au nid, ces mmes fourmis vont renforcer la
piste ;

Facult
dingnierie


Colonie de fourmis
56

Facult
dingnierie

Si deux pistes sont possibles pour atteindre la mme
source de nourriture, celle tant la plus courte sera,
dans le mme temps, parcourue par plus de fourmis
que la longue piste;
La piste courte sera donc de plus en plus renforce, et
donc de plus en plus attrayante;
La longue piste, elle, finira par disparatre, les
phromones tant volatiles;
terme, lensemble des fourmis a donc dtermin et
choisi la piste la plus courte.

Facult
dingnierie

Les fourmis utilisent lenvironnement comme support de communication : elles
changent indirectement de linformation en dposant des phromones, le tout
dcrivant ltat de leur travail.
Linformation change a une porte locale, seule une fourmi situe lendroit
o les phromones ont t dposes y a accs.
Ce systme repose sur des rtroactions positives (le dpt de phromone attire
dautres fourmis qui vont la renforcer leur tour) et ngatives (la dissipation de
la piste par vaporation empche le systme de s'emballer).

Colonie de fourmis
57

Facult
dingnierie

Thoriquement, si la quantit de phromone restait identique au cours du temps
sur toutes les branches, aucune piste ne serait choisie.
Grce aux rtroactions, une faible variation sur une branche va tre amplifie et
permettre alors le choix dune branche.
L'algorithme va permettre de passer d'un tat instable o aucune branche n'est
plus marquer qu'une autre, vers un tat stable o l'itinraire est form des
meilleures branches.

Facult
dingnierie

Les fourmis virtuelles ont une double nature. Dune part, elles modlisent les
comportements abstraits de fourmis relles, et dautre part, elles peuvent tre
enrichies par des capacits que ne possdent pas les fourmis relles, afin de les
rendre plus efficaces que ces dernires.
Points communs, fourmis relles et virtuelles
Colonie dindividus cooprants, un ensemble dentits qui se rassemblent
ensemble pour trouver une "bonne" solution.
Pistes de phromones, son rle principal est de changer la manire dont
lenvironnement est peru par les fourmis, en fonction de lhistorique laiss
par ces phromones.
vaporation des phromones, ce mcanisme permet doublier lentement ce
qui sest pass avant.
Recherche du plus petit chemin reliant un point de dpart (le nid) des sites
de destination (la nourriture).

Colonie de fourmis
58

Facult
dingnierie

Points communs, fourmis relles et virtuelles (suite)
Dplacement locaux, les fourmis se contentent de se dplacer entre sites
adjacents du terrain.
Choix alatoire lors des transitions, les fourmis doivent dcider sur quel site
adjacent se dplacer. Cette prise de dcision se fait au hasard et dpend de
linformation locale dpose sur le site courant.

Facult
dingnierie

Les fourmis virtuelles possdent certaines caractristiques que ne possdent pas
les fourmis relles :
Elles vivent dans un monde non continu, leurs dplacements consistent en
des transitions dtat.
Mmoire, les fourmis virtuelles mmorisent lhistorique de leurs actions.
Elles peuvent aussi retenir des donnes supplmentaires sur leurs
performances.
Nature des phromones dposes par les fourmis virtuelles o lvaporation
des phromones est une simple dcrmentation de la valeur des variables
dtats chaque itration.
Qualit de la solution, les fourmis virtuelles dposent une quantit de
phromone proportionnelle la qualit de la solution quelles ont
dcouvert.
Retard dans le dpt de phromone, les fourmis virtuelles peuvent mettre
jour les pistes de phromones de faon non immdiate : souvent elles
attendent davoir termin la construction de leur solution.

Colonie de fourmis
59

Facult
dingnierie

Les fourmis virtuelles possdent certaines caractristiques que ne possdent pas
les fourmis relles (suite) :
Capacits supplmentaires o les fourmis virtuelles peuvent tre pourvues
de capacits artificielles afin damliorer les performances du systme.
Ces possibilits sont lies au problme et peuvent tre:
1. lanticipation : la fourmi tudie les tats suivants pour faire son choix et
non seulement ltat local.
2. le retour en arrire : une fourmi peut revenir un tat dj parcouru, car
la dcision quelle avait prise cet tat a t mauvaise.

Facult
dingnierie

Dveloppement de lalgorithme (population initiale)
Colonie de fourmis
8
8
8
8
8
8
8
8
8
8
888888
888888
8
8
8
8
8
8
Nourriture
L
1 L
2
Colonie de fourmis
8
8
8
8
8
8
8
Nourriture
8
8
8
8
8888888
8888888
8
8
8
8
8
8
8
o L
1
= d
1
, L
2
= d
2
et d
1
> d
2
i
est la quantit de
phromone dpose
sur larte i
1
=1
2
=1
Une fourmi choisit lun
des deux chemins avec
une probabilit p
i
o
roulette
i p
i
i
=
+
= 2 , 1 ,
2 1
t t
t

Colonie de fourmis
60

Facult
dingnierie

Dveloppement de lalgorithme
Colonie de fourmis
8
8
8
8
8
Nourriture
8888888
8888888
8
8
8
8
8
8
8
8
88888888
88888888
1 2
t t t t > +
i
i i
d
Q
o Q est un paramtre de
rglage et d
i
est la distance
parcourue (la valeur de la
fonction objective)
Colonie de fourmis
Nourriture
8888888888888888888
8888888888888888888
( )
i i
t t 1
(retour des fourmis)
o
[0 ,1] est un paramtre
de rglage pour
lvaporation des
phromones.

Facult
dingnierie

Le premier algorithme de colonies de fourmis propos vise notamment
rsoudre le problme du voyageur de commerce o le but est de trouver le plus
court chemin permettant de relier un ensemble de villes.
Lalgorithme gnral repose sur un ensemble de fourmis, chacune parcourant
un trajet parmi ceux qui sont possibles.
chaque tape, la fourmi choisit de passer dune ville une autre en fonction
de quelques rgles.
Rgles :
1. elle ne peut visiter quune fois chaque ville ;
2. plus une ville est loin, moins elle a de chance dtre choisie (cest la
visibilit) ;
3. plus l'intensit de la piste de phromone dispose sur larte entre deux
villes est grande, plus le trajet aura de chance dtre choisi ;
4. une fois son trajet termin, la fourmi dpose, sur lensemble des artes
parcourues, plus de phromones si le trajet est court ;
5. les pistes de phromones svaporent chaque itration.

Colonie de fourmis
61

Facult
dingnierie

Problme du voyageur de commerce
1) Une fourmi choisit un trajet, et trace une piste de phromone;
2) Lensemble des fourmis parcourt un certain nombre de trajets, chaque
fourmi dposant une quantit de phromone proportionnelle la qualit du
parcours;
3) Chaque arte du meilleur chemin est plus renforce que les autres;
4) Lvaporation fait disparatre les mauvaises solutions.
( ) t
k
ij
t A
( ) 1 + t
ij
t
( ) ( ) t
ij
t 1
( )
=
A
m
k
k
ij
t
1
t

Facult
dingnierie

( ) 1 1 =
ij
t
12
t
1
c
2
c
3
c
4
c
23
t
34
t
14
t
13
t
24
t
Liens possibles pour c
1
:
14 13 12
, , x x x
Numro des villes qui peuvent tre visites de la ville c
1
: | | 4 , 3 , 2
1
= D
( )
( ) | |
i
D k
ij ik
ij ij
ij
D j
d
d
p
i
e =
e
,
1
1
t
t
La probabilit de prendre un chemin
valable partir dune ville i est :
( )
( ) ( ) ( )
4 , 3 , 2 ,
1 1 1
1
14 14 13 13 12 12
1 1
1
=
+ +
= j
d d d
d
p
j j
j
t t t
t
partir de la ville c
1
:
Distance entre les villes i, j : d
ij
roulette [0 - 1]

Colonie de fourmis
62

Facult
dingnierie

( ) 2
ij
t
12
t
1
c
2
c
3
c
4
c
23
t
34
t
14
t
13
t
24
t
24 23
, x x
Numro des villes qui peuvent
tre visites de la ville c
2
:
| | 4 , 3
2
= D
( )
( ) ( )
4 , 3 ,
1 1
1
24 24 23 23
2 2
2
=
+
= j
d d
d
p
j j
j
t t
t
partir de la ville c
2
:
Liens possibles pour c
2
:
etc.
roulette [0 - 1]

Facult
dingnierie

( )
k ij
N t
12
t
1
c
2
c
3
c
4
c
23
t
34
t
14
t
13
t
24
t
Pour toutes les fourmis k :
vaporation :
( )
ij ij
t t 1
( )
( )
k ij ij
x f
Q
+ t t
( )
( )

=
ij
k
d x f
o
Note : Nombre de fourmis N
k
dpend du nombre de variables du problme, 5n 10n.

Colonie de fourmis
63

Facult
dingnierie

De manire gnrale, la rgle de dplacement est appele rgle alatoire de
transition proportionnelle :
( )
( )
( )
e
e
=
k
i
k
i
ij ij
ij ij
k
ij
J j si
J j si
t
t
t p
0

| o
| o
q t
q t
o
p
k
ij
(t) est la probabilit dune fourmi k de se dplacer du nud i au nud j
litration t;
J
i
k
est la liste des dplacements possibles pour une fourmi k lorsquelle se
trouve sur le nud i;
ij
est la visibilit (linverse de la distance entre les nuds i et j (1/d
ij
) ;
ij
(t) est la quantit de phromone dpose sur larte ij une itration donne
t.

Facult
dingnierie

Les deux principaux paramtres contrlant lalgorithme sont et , qui
contrlent limportance relative de lintensit et de la visibilit dune arte ij.
Une fourmi k dpose une quantit de phromone sur chaque arte de son
parcours :
( )
( )
( ) ( )
( ) ( )
e
e
= A
t T j i si
t T j i si
t x f
Q
t
k
k
k
k
ij
, 0
,
,
t
o
A
k
ij
(t) est la quantit de phromone dpose sur larte ij par la fourmi k
litration t;
T
k
(t) est la tourne faite par la fourmi k litration t;
f (x
k
,t) la valeur de la fonction minimiser ou maximiser;
Q un paramtre de rglage (constante, Ex: 100 ou mme ordre que f (x)).

Colonie de fourmis
64

Facult
dingnierie

la fin de chaque itration de lalgorithme, les phromones dposes aux
itrations prcdentes par les fourmis svaporent de (1-)
ij
(t).
Et la fin de l'itration, on a la somme des phromones qui ne se sont pas
vapores et de celles qui viennent d'tre dposes:
( ) ( ) ( ) ( )
=
A + = +
m
k
k
ij ij ij
t t t
1
1 1 t t t
o
m est le nombre de fourmis utilises pour litration t
[0 ,1] est un paramtre de rglage pour lvaporation des phromones.
Si se rapproche trop de 1, on observe un effet de stagnation des phromones
ce qui favorise les mauvaises solutions persister.
De mme, choisir prs de 0 implique une vaporation trop rapide des
phromones, donc amne la fourmi un choix dpendant uniquement de la
visibilit des nuds (meilleures solutions).

Facult
dingnierie

1. Les k fourmis sont rparties alatoirement sur les n villes et la liste qui
modlise la mmoire contient leurs villes de dpart.
2. Les pistes de phromones sont initialises
3. Pour chaque fourmi, on calcule la probabilit
4. Pour chaque fourmi, choisir un trajet de manire revenir sa propre ville de
dpart selon la probabilit ci-dessus (roulette).
5. Chaque fourmi calcule sa valeur
Fin dun cycle. linstant t, toutes les fourmis ont termin leur tour, chacune a une
liste "mmoire" pleine et est revenue sa propre ville de dpart.
( )
( )
( )
e
e
=

k
i
k
i
ij ij
ij ij
k
ij
J j si
J j si
t
t
t p
0

| o
| o
q t
q t
Problme du voyageur gnralis
Minimiser
( )

=
ij
k
d x f
( ) | | 1 0 0 = t
ij
t
( )
k
x f

Colonie de fourmis
65

Facult
dingnierie

Pour chaque cycle (itration)
6. Lvaporation des phromones est calcule
7. Les variables de phromone t
ij
(t) sont mises jour
8. On mmorise la meilleure fourmi k si elle est meilleure que celle du meilleur
tour jusquici.
9. Les mmoires des fourmis (liste des villes visites) sont effaces.
10. Les fourmis recommencent un nouveau tour, toujours au dpart de la ville sur
laquelle elles avaient t places au dbut de lalgorithme.
Fin de lalgorithme. On arrte lalgorithme aprs un nombre de cycles gal une
constante i
max
.
Problme du voyageur gnralis (suite)
( ) ( )
( )
( )
k ij ij
x f
Q
t t + + + 1 1 t t
( ) ( ) ( ) t t
ij ij
t t + 1 1

Facult
dingnierie

Problme de conception
Minimiser (ou maximiser) ( )
( ) n i d d d D D x
x f
i
iq i i i i i
k
1 , ,......, , ;

2 1
= = e
o
f(x
k
) est la fonction objective du problme;
x
i
est la composante i the la variable de lien x;
D
i
sont les valeurs discrtes du problme;
q
i
est le nombre de valeurs discrtes pour la variable i;
n est le nombre de variables du problme.

Colonie de fourmis
66

Facult
dingnierie

Variable x
1
( )
15 14 13 12 11 1
, , , , d d d d d D =
( )
3 3 2 2 1 1
x p x p x p x f + + =
Variable x
2
( )
23 22 21 2
, , d d d D =
Variable x
3
( )
34 33 32 31 3
, , , d d d d D =
q
1
= 5
q
2
= 3
q
3
= 4
n = 3
Exemple
| | | |
1 1 1
typique ) ( 8 . 0 4 . 0 10 5
= = =
~
| o q
ij
k
x f Q n n N

Facult
dingnierie

11
d
Colonie de fourmis
Nourriture
12
d
13
d
14
d
15
d
00
11
t
21
d
22
d
23
d
31
d
32
d
33
d
34
d
00
12
t
00
13
t 00
14
t
00
15
t
00
Couche 0
Couche 1 (x
1
)
Couche 2 (x
2
)
Couche 3 (x
3
)
14
21
t
14
22
t
14
23
t
22
31
t
22
32
t
22
33
t
22
34
t
x
1
= d
14
x
2
= d
22
x
3
= d
34
Exemple (suite) :

Colonie de fourmis
67

Facult
dingnierie

2. Choisir le premier lien
- la fourmi k dbute au nud 00 et choisit le chemin parcourir selon la
probabilit calcule :
1
1
00
1
00
1 00
1 , q j p
i ij q
r
r
j
= =
=
t
t
1 1 k
d x =
- la fourmi k situ au nud rs choisit le chemin parcourir selon la
probabilit calcule :
1 1 ,
1
1
+ = = =
=
r i q j p
i q
l
rs
l
rs
ij rs
i ij
t
t
3. Rpter ltape 2 pour toutes les couches jusqu n
1. Choisir la quantit initiale de phromone dposer sur toutes les artes (nud
rs au nud ij)
( ) | | 1 0 0 = t
rs
ij
t
4. Rpter les tapes 1 3 pour toutes les fourmis k jusqu N
k

Facult
dingnierie

5. valuer la fonction objective pour toutes les fourmis k
( )
k
k k
N k x f x 1 ; , =
6. vaporation des phromones
( ) j i s r
rs
ij
rs
ij
, , , pour 1 t t
7. Augmenter la densit de phromones pour chaque parcours des fourmis
( )
k j i s r
x f
k
rs
ij
rs
ij
fourmi la de , , , pour
Q
+ t t
9. Retourner ltape 1 si i < i
max
8. On mmorise la meilleure fourmi k si ce tour est meilleur que le meilleur tour
jusquici et on efface la mmoire des autres fourmis.

Colonie de fourmis
68

Facult
dingnierie

Max-Min Ant system (MMAS)
Une variante de la mthode est le Max-Min Ant System (MMAS), o seules
les meilleures fourmis tracent des pistes et o le dpt de phromones est
limit par une borne suprieure (empchant une piste dtre trop renforce)
et une borne infrieure (laissant la possibilit dtre explore nimporte
quelle solution).
Cet algorithme atteint de meilleurs rsultats que loriginal, et vite
notamment une convergence prmature.
Une grande faiblesse de lACO est le nombre lev de paramtres en jeu. En
labsence dargumentation rigoureuse, les seules justifications pour fixer les
paramtres sont des rsultats exprimentaux.

Facult
dingnierie

Les fourmis litistes
Cette technique consiste renforcer de manire artificielle chaque tape
les quantits de phromone prsentes sur les artres appartenant au meilleur
tour trouv jusqu prsent.
Le meilleur tour est parcouru par certaines fourmis artificielles, dites
fourmis litistes. Ces fourmis choisissent leur chemin de manire
dterministe et se mettent en route que quand toutes les autres fourmis ont
termin un tour.
Si lon dsigne par T
*
le meilleur tour et par L
*
sa longueur, chaque fin de
cycle on ralise lopration suivante :
o e est le nombre de fourmis litistes.
( ) ( )
( )
( )
e
e
+ =
*
*
*
, 0
,
T j i si
T j i si
L
Q e
t t
k
ij
k
ij
t t

Colonie de fourmis
69

Facult
dingnierie

Les fourmis litistes (suite)
Leffet des fourmis litistes est de grandement accrotre la convergence de la
mthode (typiquement dun facteur 10), au risque que celle-ci converge vers
une solution non optimale.
Il y a une valeur optimale e. Quand nous sommes sous cette valeur et que
nous augmentons e, le meilleur tour peut tre dcouvert plus tt. Quand nous
sommes au-del de cette valeur, les fourmis litistes forcent lexploration
autour de circuits non optimaux ds les premires tapes de la recherche, ce
qui amoindrit les performances.
Les fourmis litistes sont un mcanisme qui permet de focaliser la recherche
sur des zones prometteuses de lespace de recherche en augmentant lattrait
des fourmis pour des pistes que lon sait faire partie dun bon tour.
Quand un bon tour a t dcouvert, il y a de fortes chances que le tour
optimal nen est pas trs loign.

Facult
dingnierie

[1] Alupoaei S, Katkoori S. Ant colony system application to marcocell overlap removal. IEEE Trans Very Large Scale Integr (VLSI)
Syst 2004;12(10):111822.
[2] Bautista J, Pereira J. Ant algorithms for assembly line balancing. In: Dorigo M, Di Caro G, Sampels M, editors. Ant algorithms
Proceedings of ANTS 2002Third international workshop. Lecture Notes in Comput Sci, vol. 2463. Berlin: Springer; 2002. p. 6575.
[3] Bertsekas DP, Tsitsiklis JN, Wu C. Rollout algorithms for combinatorial optimization. J Heuristics 1997;3:24562.
[4] Bianchi L, Gambardella LM, Dorigo M. An ant colony optimization approach to the probabilistic traveling salesman problem. In:
Merelo JJ, Adamidis P, Beyer H-G, Fernndez-Villacanas J-L, Schwefel H-P, editors. Proceedings of PPSN-VII, seventh international
conference on parallel problem solving from nature. Lecture Notes in Comput Sci, vol. 2439. Berlin: Springer; 2002. p. 88392.
[5] Bilchev B, Parmee IC. The ant colony metaphor for searching continuous design spaces. In: Fogarty TC, editor. Proceedings of the
AISB workshop on evolutionary computation. Lecture Notes in Comput Sci, vol. 993. Berlin: Springer; 1995. p. 2539.
[6] Birattari M, Di Caro G, Dorigo M. Toward the formal foundation of ant programming. In: Dorigo M, Di Caro G, Sampels M,
editors. Ant algorithmsProceedings of ANTS 2002Third international workshop. Lecture Notes in Comput Sci, vol. 2463. Berlin:
Springer; 2002. p. 188201.
[7] Blesa M, Blum C. Ant colony optimization for the maximum edge-disjoint paths problem. In: Raidl GR, Cagnoni S, Branke J,
Corne DW, Drechsler R, Jin Y, Johnson CG, Machado P, Marchiori E, Rothlauf R, Smith GD, Squillero G, editors. Applications of
evolutionary computing, proceedings of EvoWorkshops 2004. Lecture Notes in Comput Sci, vol. 3005. Berlin: Springer; 2004. p. 160
9.
[8] Blum C. Theoretical and practical aspects of Ant colony optimization. Dissertations in Artificial Intelligence. Berlin: Akademische
Verlagsgesellschaft Aka GmbH; 2004.
[9] Blum C. Beam-ACOHybridizing ant colony optimization with beam search: An application to open shop scheduling. Computers
& Operations Res 2005;32(6):156591.
[10] Blum C, BlesaMJ. Combining ant colony optimization with dynamic programming for solving the k-cardinality tree problem. In:
Cabestany J, Prieto A, Sandoval F, editors. 8th international work-conference on artificial neural networks, computational intelligence
and bioinspired systems (IWANN05). Lecture Notes in Comput Sci, vol. 3512. Berlin: Springer; 2005. p. 2533.
[11] Blum C, Dorigo M. The hyper-cube framework for ant colony optimization. IEEE Trans Syst Man Cybernet Part B
2004;34(2):116172.
[12] Blum C, Dorigo M. Search bias in ant colony optimization: On the role of competition-balanced systems. IEEE Trans Evolutionary
Comput 2005;9(2):15974.
Rfrences

Colonie de fourmis
70

Facult
dingnierie

[13] Blum C, Roli A.Metaheuristics in combinatorial optimization: Overview and conceptual comparison. ACMComput Surveys
2003;35(3):268308.
[14] Blum C, Sampels M. An ant colony optimization algorithm for shop scheduling problems. J Math Modelling Algorithms
2004;3(3):285308.
[15] Blum C, Socha K. Training feed-forward neural networks with ant colony optimization: An application to pattern classification. In:
Proceedings of the 5th international conference on hybrid intelligent systems (HIS). Piscataway, NJ: IEEE Press; 2005. p. 2338.
[16] Bonabeau E, Dorigo M, Theraulaz G. Swarm intelligence: From natural to artificial systems. New York: Oxford University Press;
1999.
[17] Bonabeau E, Dorigo M, Theraulaz G. Inspiration for optimization from social insect behavior. Nature 2000;406:3942.
[18] Box GEP, Muller ME. A note on the generation of random normal deviates. Ann Math Statist 1958;29(2):6101.
[19] Brandt A.Multilevel computations: Review and recent developments. In:McCormick SF, editor.Multigrid methods: Theory,
applications, and supercomputing, proceedings of the 3rd Copper Mountain conference on multigrid methods. Lecture Notes in Pure
and Appl Math, vol. 110. New York: Marcel Dekker; 1988. p. 3562.
[20] Bui TN, Rizzo JR. Finding maximum cliques with distributed ants. In: Deb K, et al., editors. Proceedings of the genetic and
evolutionary computation conference (GECCO 2004). Lecture Notes in Comput Sci, vol. 3102. Berlin: Springer; 2004. p. 2435.
[21] Bullnheimer B, Hartl R, Strauss C. A new rank-based version of the Ant System: A computational study. Central European J
Operations Res Econom1999;7(1):2538.
[22] Campos M, Bonabeau E, Theraulaz G, Deneubourg J-L. Dynamic scheduling and division of labor in social insects. Adapt
Behavior 2000;8(3):8396.
[23] Corry P, Kozan E. Ant colony optimisation for machine layout problems. Comput OptimAppl 2004;28(3):287310.
[24] Costa D, Hertz A. Ants can color graphs. J Oper Res Soc 1997;48:295305.
[25] Della Croce F, Ghirardi M, Tadei R, Recovering beam search: enhancing the beam search approach for combinatorial optimisation
problems. In: Proceedings of PLANSIG 200221th workshop of the UK planning and scheduling special interest group; 2002. p. 149
69.
[26] den BestenML, Sttzle T, DorigoM. Ant colony optimization for the total weighted tardiness problem. In: SchoenauerM, Deb K,
Rudolph G, Yao X, Lutton E, Merelo JJ, Schwefel H-P, editors. Proceedings of PPSN-VI, sixth international conference on parallel
problem solving from nature. Lecture Notes in Comput Sci, vol. 1917. Berlin: Springer; 2000. p. 61120.
[27] Deneubourg J-L, Aron S, Goss S, Pasteels J-M. The self-organizing exploratory pattern of the Argentine ant. J Insect Behaviour
1990;3:15968.
Rfrences

Facult
dingnierie

[28] Di Caro G, Dorigo M. AntNet: Distributed stigmergetic control for communications networks. J Artificial Intelligence Res
1998;9:31765.
[29] Doerner K, GutjahrWJ, Hartl RF, Strauss C, Stummer C. Pareto ant colony optimization: A metaheuristic approach to
multiobjective portfolio selection. Ann Oper Res 2004;131:7999.
[30] Dorigo M, Optimization, learning and natural algorithms. PhD thesis, Dipartimento di Elettronica, Politecnico di Milano, Italy,
1992 [in Italian]. 372 C. Blum / Physics of Life Reviews 2 (2005) 353373
[31] Dorigo M, Blum C. Ant colony optimization theory: A survey. Theoret Comput Sci 2005;344(23):24378.
[32] Dorigo M, Di Caro G, Gambardella LM. Ant algorithms for discrete optimization. Artificial Life 1999;5(2):13772.
[33] DorigoM, Gambardella LM. Ant colony system: A cooperative learning approach to the traveling salesman problem. IEEE Trans
Evolutionary Comput 1997;1(1):5366.
[34] Dorigo M, Maniezzo V, Colorni A, Positive feedback as a search strategy. Technical Report 91-016, Dipartimento di Elettronica,
Politecnico di Milano, Italy, 1991.
[35] Dorigo M, Maniezzo V, Colorni A. Ant System: Optimization by a colony of cooperating agents. IEEE Trans Syst Man Cybernet
Part B 1996;26(1):2941.
[36] Dorigo M, Sttzle T. Ant Colony optimization. Cambridge, MA: MIT Press; 2004.
[37] Dro J, Siarry P. A new ant colony algorithm using the heterarchical concept aimed at optimization of multiminima continuous
functions. In: Dorigo M, Di Caro G, Sampels M, editors. Ant algorithmsProceedings of ANTS 2002Third international workshop.
Lecture Notes in Comput Sci, vol. 2463. Berlin: Springer; 2002. p. 21621.
[38] Duin C, Vo S. The pilot method: A strategy for heuristic repetition with application to the steiner problem in graphs. Networks
1999;34(3):18191.
[39] Gagn C, PriceWL, Gravel M. Comparing an ACO algorithm with other heuristics for the single machine scheduling problem with
sequencedependent setup times. J Oper Res Soc 2002;53:895906.
[40] Gambardella LM, Dorigo M. Solving symmetric and asymmetric TSPs by ant colonies. In: Baeck T, Fukuda T, Michalewicz Z,
editors. Proceedings of the 1996 IEEE international conference on evolutionary computation (ICEC96). Piscataway, NJ: IEEE Press;
1996. p. 6227.
[41] Gambardella LM, DorigoM. Ant Colony System hybridized with a new local search for the sequential ordering problem.
INFORMS J Comput 2000;12(3):23755.
[42] Gambardella LM, Taillard D, Agazzi G. MACS-VRPTW: A multiple ant colony system for vehicle routing problems with time
windows. In: Corne D, Dorigo M, Glover F, editors. New ideas in optimization. London: McGraw-Hill; 1999. p. 6376.
Rfrences

Colonie de fourmis
71

Facult
dingnierie

[43] Gandibleux X, Delorme X, TKindt V. An ant colony optimisation algorithm for the set packing problem. In: Dorigo M, Birattari
M, Blum C, Gambardella LM, Mondada F, Sttzle T, editors. Proceedings of ANTS 2004Fourth international workshop on Ant
colony optimization and swarm intelligence. Lecture Notes in Comput Sci, vol. 3172. Berlin: Springer; 2004. p. 4960.
[44] Garey MR, Johnson DS. Computers and intractability; A guide to the theory of NP Completeness. New York: WH Freeman; 1979.
[45] Ginsberg ML. Essentials of artificial intelligence. San Mateo, CA: Morgan Kaufmann; 1993.
[46] Glover F. Future paths for integer programming and links to artificial intelligence. Comput Oper Res 1986;13:53349.
[47] Glover F, Kochenberger G, editors. Handbook of metaheuristics. Norwell, MA: Kluwer Academic; 2002.
[48] Gottlieb J, Puchta M, Solnon C. A study of greedy, local search, and ant colony optimization approaches for car sequencing
problems. In:Cagnoni S, Romero Cardalda JJ, Corne DW, Gottlieb J, Guillot A, Hart E, Johnson CG, Marchiori E, Meyer J-A,
Middendorf M, Raidl GR, editors. Applications of evolutionary computing, proceedings of EvoWorkshops, 2003. Lecture Notes in
Comput Sci, vol. 2611. Berlin: Springer; 2003. p. 24657.
[49] Grass P-P. La reconstruction du nid et les coordinations inter-individuelles chez bellicositermes natalensis et cubitermes sp. La
thorie de la stigmergie: Essai dinterprtation des termites constructeurs. Insectes Sociaux 1959;6:4181.
[50] Guret C, Monmarch N, Slimane M. Ants can play music. In: Dorigo M, Birattari M, Blum C, Gambardella LM, Mondada F,
Sttzle T, editors. Proceedings of ANTS 2004Fourth international workshop on Ant colony optimization and swarm intelligence.
[51] Guntsch M, Middendorf M. Pheromone modification strategies for ant algorithms applied to dynamic TSP. In: Boers EJW,
Gottlieb J, Lanzi PL, Smith RE, Cagnoni S, Hart E, Raidl GR, Tijink H, editors. Applications of evolutionary computing: Proceedings
of EvoWorkshops, 2001. Lecture Notes in Comput Sci, vol. 2037. Berlin: Springer; 2001. p. 21322.
[52] GuntschM,MiddendorfM. Solving multi-objective permutation problems with population based ACO. In: Fonseca CM, Fleming
PJ, Zitzler E, Deb K, Thiele L, editors. Proceedings of the second international conference on evolutionary multi-criterion optimization
(EMO 2003). Lecture Notes in Comput Sci, vol. 2636. Berlin: Springer; 2003. p. 46478.
[53] Gutjahr WJ. A graph-based ant system and its convergence. Future Generat Comput Syst 2000;16(9):87388.
[54] Gutjahr WJ. ACO algorithms with guaranteed convergence to the optimal solution. Informat Process Lett 2002;82(3):14553.
[55] Handl J, Knowles J, Dorigo M. Ant-based clustering and topographic mapping. Artificial Life 2006;12(1). In press.
[56] Hoos HH, Sttzle T. Stochastic local search: Foundations and applications. Amsterdam: Elsevier; 2004.
[57] Karpenko O, Shi J, Dai Y. Prediction of MHC class II binders using the ant colony search strategy. Artificial Intelligence in
Medicine 2005;35(12):14756.
Rfrences

Facult
dingnierie

[58] Kennedy J, Eberhart RC. Particle swarm optimization. In: Proceedings of the 1995 IEEE international conference on neural
networks, vol. 4. Piscataway, NJ: IEEE Press; 1995. p. 19428.
[59] Koroec P, ilc J, Robic B. Mesh-partitioning with the multiple ant-colony algorithm. In: Dorigo M, Birattari M, Blum C,
Gambardella LM, Mondada F, Sttzle T, editors. Proceedings of ANTS 2004Fourth international workshop on Ant colony
optimization and swarm intelligence. Lecture Notes in Comput Sci, vol. 3172. Berlin: Springer; 2004. p. 4301.
[60] Koroec P, ilc J, Robic B. Solving the mesh-partitioning problem with an ant-colony algorithm. Parallel Comput 2004;30:785
801.
[61] Lawler E, Lenstra JK, Rinnooy Kan AHG, Shmoys DB. The travelling Salesman problem. New York: John Wiley & Sons; 1985.
[62] Lpez-Ibez M, Paquete L, Sttzle T. On the design of ACO for the biobjective quadratic assignment problem. In: Dorigo M,
Birattari M, Blum C, Gambardella LM, Mondada F, Sttzle T, editors. Proceedings of ANTS 2004Fourth international workshop on
Ant colony optimization and swarm intelligence. Lecture Notes in Comput Sci, vol. 3172. Berlin: Springer; 2004. p. 21425.
[63] Lumer E, Faieta B. Diversity and adaptation in populations of clustering ants. In: Meyer J-A, Wilson SW, editors. Proceedings of
the third international conference on simulation of adaptive behavior: From animals to animats, vol. 3. Cambridge, MA: MIT Press;
1994. p. 5018. C. Blum / Physics of Life Reviews 2 (2005) 353373 373
[64] Maniezzo V. Exact and approximate nondeterministic tree-search procedures for the quadratic assignment problem. INFORMS J
Comput 1999;11(4):35869.
[65] Maniezzo V, Boschetti M, Jelasity M. An ant approach to membership overlay design. In: Dorigo M, Birattari M, Blum C,
Gambardella LM, Mondada F, Sttzle T, editors. Proceedings of ANTS 2004Fourth international workshop on Ant colony
optimization and swarm intelligence. Lecture Notes in Comput Sci, vol. 3172. Berlin: Springer; 2004. p. 3748.
[66] Maniezzo V, Colorni A. The Ant System applied to the quadratic assignment problem. IEEE Trans Data Knowledge Engrg
1999;11(5):76978.
[67] Maniezzo V, Milandri M. An ant-based framework for very strongly constrained problems. In: Dorigo M, Di Caro G, Sampels M,
Springer; 2002. p. 2227.
[68] Marriott K, Stuckey P. Programming with constraints. Cambridge, MA: MIT Press; 1998.
[69] Merkle D,MiddendorfM.Modelling ACO: Composed permutation problems. In: DorigoM, Di Caro G, SampelsM, editors. Ant
algorithmsProceedings of ANTS 2002Third international workshop. Lecture Notes in Comput Sci, vol. 2463. Berlin: Springer;
2002. p. 14962.
[70] Merkle D, Middendorf M. Modelling the dynamics of ant colony optimization algorithms. Evolutionary Comput 2002;10(3):235
62.
Rfrences

Colonie de fourmis
72

Facult
dingnierie

[71] Merkle D,MiddendorfM, Schmeck H. Ant colony optimization for resource-constrained project scheduling. IEEE Trans
Evolutionary Comput 2002;6(4):33346.
[72] Meuleau N, Dorigo M. Ant colony optimization and stochastic gradient descent. Artificial Life 2002;8(2):10321.
[73] Meyer B, Ernst A. Integrating ACO and constraint propagation. In: Dorigo M, Birattari M, Blum C, Gambardella LM, Mondada F,
[74] Michel R, Middendorf M. An island model based ant system with lookahead for the shortest supersequence problem. In: Eiben AE,
Bck T, SchoenauerM, Schwefel H-P, editors. Proceedings of PPSN-V, fifth international conference on parallel problem solving from
nature. Lecture Notes in Comput Sci, vol. 1498. Berlin: Springer; 1998. p. 692701.
[75] Monmarch N, Venturini G, Slimane M. On how pachycondyla apicalis ants suggest a new search algorithm. Future Generation
Comput Syst 2000;16:93746.
[76] Moss JD, Johnson CG. An ant colony algorithm for multiple sequence alignment in bioinformatics. In: Pearson DW, Steele NC,
Albrecht RF, editors. Artificial neural networks and genetic algorithms. Berlin: Springer; 2003. p. 1826.
[77] Nemhauser GL, Wolsey AL. Integer and combinatorial optimization. New York: John Wiley & Sons; 1988.
[78] Ow PS, Morton TE. Filtered beam search in scheduling. Internat J Production Res 1988;26:297307.
[79] Papadimitriou CH, Steiglitz K. Combinatorial optimizationAlgorithms and complexity. New York: Dover; 1982.
[80] Parpinelli RS, Lopes HS, Freitas AA. Data mining with an ant colony optimization algorithm. IEEE Trans Evolutionary Comput
2002;6(4):32132.
[81] Reeves CR, editor. Modern heuristic techniques for combinatorial problems. New York: John Wiley & Sons; 1993.
[82] Reimann M, Doerner K, Hartl RF. D-ants: Savings based ants divide and conquer the vehicle routing problems. Comput Oper Res
2004;31(4):56391.
[83] Shmygelska A, Aguirre-Hernndez R, Hoos HH. An ant colony optimization algorithm for the 2D HP protein folding problem. In:
Dorigo M, Di Caro G, Sampels M, editors. Ant algorithmsProceedings of ANTS 2002Third international workshop. Lecture Notes
in Comput Sci, vol. 2463. Berlin: Springer; 2002. p. 4052.
[84] Shmygelska A, Hoos HH. An ant colony optimisation algorithm for the 2D and 3D hydrophobic polar protein folding problem.
BMC Bioinformatics 2005;6(30):122.
[85] Silva CA, Runkler TA, Sousa JM, Palm R. Ant colonies as logistic processes optimizers. In: Dorigo M, Di Caro G, Sampels M,
Springer; 2002. p. 7687.
Rfrences

Facult
dingnierie

[86] Socha K. ACO for continuous and mixed-variable optimization. In: Dorigo M, Birattari M, Blum C, Gambardella LM, Mondada F,
[87] Socha K, Sampels M, Manfrin M. Ant algorithms for the university course timetabling problem with regard to the state-of-the-art.
In: Cagnoni S, Romero Cardalda JJ, Corne DW, Gottlieb J, Guillot A, Hart E, Johnson CG, Marchiori E, Meyer A, Middendorf M,
Raidl GR, editors. Applications of evolutionary computing, proceedings of EvoWorkshops 2003. Lecture Notes in Comput Sci, vol.
2611. Berlin: Springer; 2003. p. 33445.
[88] Solnon C. Ant can solve constraint satisfaction problems. IEEE Trans Evolutionary Comput 2002;6(4):34757.
[89] Sttzle T. An ant approach to the flow shop problem. In: Proceedings of the 6th european congress on intelligent techniques & soft
computing (EUFIT98). Aachen: Verlag Mainz; 1998. p. 15604.
[90] Sttzle T, Dorigo M. A short convergence proof for a class of ACO algorithms. IEEE Trans Evolutionary Comput 2002;6(4):358
65.
[91] Sttzle T, Hoos HH.MAXMIN Ant system. Future Generat Comput Syst 2000;16(8):889914.
[92] Unger R, Moult J. Finding the lowest free-energy conformation of a protein is an NP -hard problem: Proofs and implications. Bull
Math Biol 1993;55(6):118398.
[93] Walshaw C. A multilevel approach to the travelling salesman problem. Oper Res 2002;50(5):86277.
[94] Walshaw C. Multilevel refinement for combinatorial optimization problems. Ann Oper Res 2004;131:32572.
[95] Walshaw C, Cross M. Mesh partitioning: A multilevel balancing and refinement algorithm. SIAM J Sci Comput 2000;22(1):6380.
[96] Zlochin M, Birattari M, Meuleau N, Dorigo M. Model-based search for combinatorial optimization: A critical survey. Ann Oper
Res 2004;131(14):37395.
Rfrences

Colonie de Fourmis - 13

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Colonie de Fourmis - 13

Cargado por

Copyright:

Formatos disponibles

Universit de Moncton Grard J. Poitras 2013

También podría gustarte