Algoritma : Ant Colony Optimization (ACO) System

Ant Colony Optimization(ACO) System, berasal dari kata ant: semut, colony: kompulan atau koloni, Opimization: optimasi Semut merupakan tergolong salah satu hewan yang pintar, mereka mampu mencapai makannanya dengan jalur yang terpendek dan tercepat. Perilaku semut adalah inspirasi untuk Algoritma ant colony Optimization ini.


Di dunia alam, semut (awalnya) berjalan secara acak , dan setelah mendapatkan kembali makanan untuk koloni mereka juga meletakkan feromon atau jejak. Jika semut lain menemukan jalan semacam itu, mereka tidak akan bepergian secara acak, tapi semut tidak mengikuti jejak lagi, jika pada akhirnya mereka menemukan makanan baru.
ketika seekor semut menemukan jalur (yaitu, pendek) dari koloni ke sumber makanan, semut lain akan lebih cenderung mengikuti jalan itu, dan umpan balik positif akhirnya membawa semua semut mengikuti jalur tunggal. Ide dari algoritma koloni semut adalah untuk meniru perilaku semut ini dengan "simulasi semut" berjalan di sekitar grafik yang mewakili masalah untuk dipecahkan

Jadi, ant colony optimization adalah sebuah algoritma untuk memecahkan sebuah masalah komputasi yang dapat diselesaikan melalui jalur yang terpendek dan tercepat.


Contoh pseudo-kode dan formula :  

Prosedur ACO_MetaHeuristic 
sementara (not_termination) 
generateSolutions () 
daemonActions () 
pheromoneUpdate () 
akhir sementara akhir prosedur

Langkah - langkah Penyelesaian Komputasi Pada ACO :

Ide asli berasal dari mengamati eksploitasi sumber makanan antara semut, di mana kemampuan individual terbatas semut 'kognitif telah bersama telah mampu menemukan jalan terpendek antara sumber makanan dan sarang.
1. Semut pertama menemukan sumber makanan (F), melalui cara apapun (a), kemudian kembali ke sarang (N), meninggalkan jejak (b)
2. Semut berikutnya mengikuti empat cara yang mungkin, tetapi iya memilih jalur sebagai rute terpendek.
3. Semut mengambil rute terpendek, dan jejak route yang panjang akan hilang.