Theo các giới thiệu của ant-miner, một vài biến thể được đưa ra . Nó bao hàm khác biệt cắt cụt và thủ tục cập nhật vết mùi, cách lượng giá luật mới và các hàm đánh giá, khám phá các luật phân loại mờ nhạt và các luật cho vấn đề phân loại đa nhãn.
Chan & Freitas đưa ra thủ tục cắt cụt mới cho ant-miner. Họ thấy rằng thủ tục cắt cụt của Ant-Miner nguyên bản thời gian tiến hành tăng đáng kể với sự tăng lên của nhiều thuộc tính mà hiệu quả mở rộng của thuật toán. Để tiến tới giới hạn, nó cung cấp một phương pháp cắt cụt dẫn tới việc tìm ra luật ngắn hơn và cải tiến thời gian tính toán trong tập dữ liệu với lượng lớn các thuộc tính.
Martens et al. đưa ra thuật toán phân loại mới tên là AntMiner+, dựa trên Ant- Miner. Nó khác với Ant-Miner nguyên bản bổ sung một vài khía cạnh. Đầu tiên, Nó tạo ra sự phân biệt giữa thuộc tính tên và số thứ tự. Thuộc tính tên không có giá trị đưa
ra (ví dụ giới tính “male” và “female”). Thuộc tính thứ tự là xác định và rời rạc, giá trị nó có thể đưa ra (ví dụ “0”, “1”, “2” , miền giá trị của các thuộc tính đại diện cho số lượng). Thay cho việc tạo ra mộ cặp (attribute = value) cho mõi giá trị của thuộc tính thú tứ tự, Ant-miner+ tạo ra 2 kiểu phạm vi đại diện cho khoảng giá trị để cho kiến lựa chọn. Kiểu đầu tiên đại diện cho phạm vi nhỏ hơn của cự ly và chứa dạng (attribute ≥
valuei) , kiểu thứ 2 đại diện cho phạm vi mở rộng (attribute ≤ valuej) (valuei và valuej
là các giá trị từ miền thuộc tính). Hơn nữa nó bao hàm sụ khác biệt về vết mùi ban đầu và quá trình cập nhật dựa trên Max-Min ant system (MMAS) . Thêm chi tiết xem [8].
Galea & Chen trình bày phương pháp ACO cho các luật mờ , đặt tên là FRANTIC-SRL (Fuzzy Rules from ANT-Inspired Computation - Simultaneous Rule Learning). FRANTIC-SRL cho một số thuật toán ACO song song, trong đó mỗi thí dụ sinh ra các luật để phân loại. Bằng cách sử dụng các thí dụ ACO riêng biệt, ma trận vết mùi riêng biệt được duy trì cho mỗi lớp.
Swaminathan đưa ra mở rộng cho Ant-Miner mà cho phép các khoảng điều kiện trong luật. trong khi nó vẫn sử dụng phương pháp rời rạc hóa để định nghĩa khoảng cho các thuộc tính điều kiện trong bước tiền xử lí, các giá trị liên tục không bị thay đổi trong tập dữ liệu. Với mỗi khoảng rời rạc, một nút (e.g. humidity ≤ 75) được thêm vào trong đồ thị khởi tạo và giá trị vết mùi kết hợp với nút được tính toán sử dụng nhân trộn hàm mật độ xác suất (PDF)
Chan & Freitas đưa ra một thuật toán ACO mới tên là MuLAM (Multi-Label Ant-Miner) dùng cho phân loại các lớp đa nhãn. Tóm tắt lại, MuLAM khác với Ant- Miner nguyên bản ở 3 khía cạnh. Đầu tiên một luật phân lớp có thể dự đoán một hoặc nhiều thuộc tính lớp, như trong vấn đề phân lớp đa nhãn một ví dụ có thể thuộc về nhiều lớp. Thứ 2 , mỗi lần lặp, mỗi kiến xây dựng một tập các luật thay thế cho một luật đơn như trong Ant-Mnier gốc. Thứ 3 nó sử dụng ma trận vết mùi cho mỗi thuộc tính lớp và cập nhật phermone chỉ xuất hiên trên ma trận các thuộc tính lớp mà xuất hiện luật hệ quả.
Mặc dù các biến thể Ant-Mnier được đưa ra, tôt nhất cho kiến thức củ chúng ta, mở rộng Ant-Miner rời rạc hóa các thuộc tính liên tục “on the fly”(trong quá trình tạo các luật) là một chủ đề nghiên cứu mở.
Chương 4. Thực nghiệm cho thuật toán cAnt-Miner