Phương pháp tối ưu đàn kiến (ACO), ban đầu được đề xuất bởi Colorni et al. (1991) và Dorigo (1992), là một lớp các thuật toán xác suất theo mô hình hành vi đường đi của đàn kiến (cf.Dorigo và Stutzle, 2004; Dorigo et al., 2008). ACO là một sự tìm kiếm song song trên một chuỗi tính toán suy diễn khác nhau dựa trên dữ liệu bài toán địa phương và một cấu trúc bộ nhớ động có chứa thông tin về chất lượng của các kết quả thu được trước đó. ACO đã được lấy cảm hứng bằng cách quan sát đàn kiến thiết lập tuyến đường đi ngắn nhất giữa đàn kiến và nguồn thức ăn. Kỹ thuật
được dựa trên một mô hình xác suất pheromone, bao gồm một tập hợp các thông số
mô hình được gọi là các thông số đường mòn (trail) pheromone. Các giá trị
pheromone được cập nhật sử dụng cho các giải pháp được tạo ra trước đó như là một cách mà xác suất tạo ra các giải pháp chất lượng cao tăng theo thời gian. Không giống như một số thuật toán ngẫu nhiên khác, chẳng hạn như SA và GA, ACO có thể chạy liên tục và thích ứng với những thay đổi trong thời gian thực (cf.Venayagamoorthy và Harley, 2007).
Gần đây, ACO đã được áp dụng cho một số bài toán OPF với các hàm mục tiêu khác nhau; Lee và Vlachogiannis (2005) khảo sát một số trong số đó. Teng và Liu (2003) đã sử dụng thành công các cách tiếp cận ACO để đối phó với bài toán di dời chuyển đổi tối ưu, việc tìm kiếm các giải pháp ACO tin cậy hơn những sản phẩm của một GA. Swarup (2005) đã áp dụng ACO vào việc phân bổ phụ tải kinh tế và các bài toán lập chương trình nguồn phát. Kalil et al. (2006) đề xuất các kỹ thuật
ACO để phân bổ công suất phản kháng tối ưu để cải thiện các điều kiện ổn định
điện áp và giảm tổn thất đường dây trong khi cung cấp việc theo dõi hồ sơ điện áp. Các tác giả chỉ ra rằng ACO vượt trội so với EP và AIS cả về chất lượng giải pháp và thời gian tính toán.
ACO đã được áp dụng thành công vào các bài toán tối ưu hóa tổ hợp trong lĩnh vực OPF. Vlachogiannis et al. (2005) đề ra một bài toán kiểm soát công suất phản kháng như là một bài toán tối ưu tổ hợp trước khi áp dụng ACO. Simon et al.
(2006) xác nhận rằng ACO là một cách tiếp cận thích hợp vào bài toán cam kết đơn vị tổ hợp. Allaoua và Laou (2008, 2009) sử dụng ACO để giảm thiểu tổng chi phí nhiên liệu của các nhà máy nhiệt điện trong khi vẫn duy trì hiệu suất hệ thống ở
mức chấp nhận được trong điều kiện giới hạn trên công suất thực và công suất phản kháng đầu ra, điện áp thanh cái, shunt tụ bù/cuộn kháng, thiết lập nấc máy biến áp và dòng công suất trên đường dây truyền tải. Phương pháp của họ là đáng chú ý vì nó tiết kiệm thời gian tính toán bằng cách phân tích các ràng buộc vào các bộ ràng buộc chủ động và bị động. Các ràng buộc chủ động được sử dụng để tính bộ giải pháp tối ưu sử dụng ACO trong khi các ràng buộc bị động được bắt buộc thực hiện theo giải thuật dòng chảy công suất Newton-Raphson. Các kết quả mô phỏng cho thấy phương pháp ACO của họ tốt hơn so với EAs được xuất bản trước đây trong tốc độ tính toán cũng như chất lượng giải pháp. Gasbaoui và Allaoua (2009) cũng sử dụng ACO để giải quyết bài toán OPF tổ hợp với đa mục tiêu, bao gồm giảm thiểu chi phí nhiên liệu, cải thiện hồ sơ điện áp và tăng sựổn định điện áp. Các tác giả báo cáo rằng cách tiếp cận ACO thực hiện tốt hơn cả các kỹ thuật cổ điển và GAs.
Ưu điểm [25]:
Sự song song sẵn có
Phép tính phản hồi tích cực cho việc phát hiện nhanh các giải pháp tốt.
Hiệu quả cho bài toán người bán hàng (Traveling Salesman Problem) và các bài toán tương tự
Có thể được sử dụng trong các ứng dụng động (thích nghi với những thay đổi như khoảng cách mới, v.v.)
Nhược điểm [25]:
Trình tự sự quyết định ngẫu nhiên (không độc lập)
Những thay đổi phân bổ xác suất bằng cách lặp đi lặp lại.
Việc nghiên cứu là thử nghiệm hơn là lý thuyết
Thời gian hội tụ không chắc chắn (nhưng hội tụđược đảm bảo!)