1. u← đối tượng ban đầu;
2.4.2.2. Tìm kiếm Meta-heuristic trong thuật toán ACO
Thuật toán tối ưu bầy kiến (ACO) là một thuật toán Meta - heuristic, trong đó đàn kiến nhân tạo sẽ hợp tác với nhau trong việc tìm kiếm giải pháp tốt cho các vấn đề tối ưu rời rạc khó. Quá trình hợp tác chính là chìa khóa chính để thiết kế các thành phần của thuật toán ACO: Sự lựa chọn là để cấp phát các tài nguyên tính toán cho một tập hợp các agent (tác tử) đơn giản (kiến nhân tạo) bằng phương pháp truyền thông một cách gián tiếp thông qua môi trường [5], [8].
Giải pháp tốt nổi bật đó chính là sự hợp tác để tương tác giữa các agent. Thuật toán ACO có thể sử dụng để giải quyết bài toán tối ưu tổ hợp và tối ưu tổ hợp động. Bài toán tĩnh đó chính là các đặc tính được cho trong bài toán được cho một lần và cho tất cả khi bài toán được nêu ra. Một ví dụ điển hình đó chính là bài toán tìm đường TSP (Johnson & McGeoch, 1997; Lawler, Lenstra, Rinnooy Kan & Shmoys, 1985; Reinelt, 1994) [5], [6], [8], [12], [13]. Trong đó, các thành phố và khoảng cách tương đối của chúng là một phần của
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn/ định nghĩa bài toán; và không thay đổi trong suốt thời gian thực hiện. Trái lại. bài toán động thì được định nghĩa bởi một hàm mục tiêu của một vài số mà giá trị của nó sẽ thay đổi bởi một hệ thống động cơ bản. Điều đặc biệt của bài toán này là trong suốt thời gian thực hiện thì thuật toán tối ưu phải luôn thích ứng trực tuyến với sự thay đổi của môi trường. Ví dụ như bài toán về định tuyến trong mạng máy tính để điều khiển thông luồng dữ liệu, giao thức mạng có thể thay đổi theo thời gian [5], [12].
ACO là một Meta-heuristic, trong đó một tập các con kiến nhân tạo phối hợp tìm kiếm các giải pháp tốt cho các vấn đề về tối ưu rời rạc. Sự phối hợp là yếu tố cối lõi của các thuật toán ACO. Các con kiến nhân tạo liên lạc với nhau thông qua trung gian mà ta thường gọi là mùi pheromone.