I. INTRODUCTIONSwarm intelligence i

I. INTRODUCTION
Swarm intelligence is a relatively new approach to problem solving that takes inspiration from the social behaviors of insects and of other animals. The attempt in the research of computer technology is to develop algorithms inspired by insect behavior to solve optimization problems. ant colony optimization (ACO) is one of the most successful techniques in the wider field of swarm intelligence. Many research works have been devoted to ant colony optimization techniques in different areas. It is a relatively novel meta-heuristic technique and has been successfully used in many applications especially problems that belong to the combinatorial optimization. ACO inspired by the foraging behavior of real ant was first introduced by dorigo and his colleagues ([1], [2]) in early 1990s and has become one of the most efficient algorithms for TSP. ACO is based on the pheromone trail laying and following behavior of some ant species, a behavior that was shown to allow real ant colonies to find shortest paths between their colony and food sources. These ants deposit pheromone on the ground in order to mark some favorable path that should be followed by other members of the colony. The ants move according to the



amount of pheromones, the richer the pheromone trail on a path is, the more likely it would be followed by other ants. So a shorter path has a higher amount of pheromone in probability, ants will tend to choose a shorter path. Artificial ants imitate the behavior of real ants how they forage the food, but can solve much more complicated problem than real ants can. Ant colony optimization exploits a similar mechanism for solving optimization problems.
From the early nineties, when the first ant colony optimization algorithm was proposed, ACO attracted the attention of increasing numbers of researchers and many successful applications are now available. ACO has been widely applied to solving various combinatorial optimization problems such as traveling salesman problem (TSP), job-shop scheduling problem (JSP), vehicle routing problem (VRP), quadratic assignment problem (QAP), Weapon-Target Assignment problems (WTA), etc.
ACO can be used to find the solutions of difficult combinatorial optimization problems and it enjoys a rapidly growing popularity. Although ACO has a powerful capacity to find out solutions to combinatorial optimization problems, it has the problems of stagnation and premature convergence and the convergence speed of ACO is always slow. Those problems will be more obvious when the problem size increases. Therefore, several extensions and improvements versions of the original ACO algorithm were introduced over the years. Various adaptations: an algorithm based on the basis of the ant evolution rules [3], dynamic control of solution construction and mergence of local search ([4], [5], [6]), new pheromone updating strategies [7], max-min ant system [8], a strategy is to partition artificial ants into two groups: scout ants and common ants [9], using candidate lists strategies ([10], [11]), dynamic ant colony system with three level updates ([12-13]) and using the path selection controlled by information entropy [15] are studied to improve the quality of the final solution and lead to speedup of the algorithm. All these studies have contributed to the improvement of the ACO to some extent, but they have little obvious effect on increasing the convergence speed and obtaining the global optimal solution. In the proposed system, the main modifications introduced by ACO are the following. First, ACO is more effective as the candidate set strategy is adopted. This modification reduces the size of the search space for the ant colony algorithm. Second, information entropy is introduced which is adjust the algorithm’s parameters. Additionally, the best performing ACO algorithms for the TSP improve the solutions generated by the ants using local search algorithms. The experiment results show that the algorithm proposed in this study can substantially increase the convergence speed of the ACO.

In this paper, a modified ant colony system for solving TSP using candidate set strategy and dynamic updating of heuristic parameter is developed. This algorithm is used to produce near-optimal solutions to the TSP. The paper is organized as follows: Section 2 describes traveling salesman problem. Section 3 and 4 illustrates the algorithm of ant colony system. Section 5 presents candidate list strategy approach to ACO and the other is analysis of heuristic parameter to be updated in the algorithm. Section 6presents the proposed algorithm for TSP. In Section 7, the proposed method is employed into several TSP problems and the results of our approach and of traditional ACO are reported. Finally, Section 8 makes the conclusion.

Kết quả (Việt) 1:

I. giới thiệu
Swarm tình báo là một cách tiếp cận tương đối mới để giải quyết vấn đề mà mất cảm hứng từ hành vi xã hội của côn trùng và động vật khác. Nỗ lực nghiên cứu công nghệ máy tính là để phát triển các giải thuật lấy cảm hứng từ các hành vi côn trùng để giải quyết vấn đề tối ưu hóa. tối ưu hóa công cụ Ant colony (ACO) là một trong những kỹ thuật thành công nhất trong lĩnh vực rộng lớn hơn của swarm tình báo. Nhiều nghiên cứu công trình đã được dành để ant colony tối ưu hóa kỹ thuật trong lĩnh vực khác nhau. Đô thị này có một kỹ thuật meta heuristic tiểu thuyết tương đối và đã được sử dụng thành công trong nhiều ứng dụng đặc biệt là các vấn đề thuộc về tối ưu hóa tổ hợp. ACO lấy cảm hứng từ hành vi foraging kiến thực sự đã được giới thiệu lần đầu tiên bởi dorigo và các đồng nghiệp ([1], [2]) trong đầu thập niên 1990 và đã trở thành một trong các thuật toán hiệu quả nhất cho thìa cà phê ACO dựa trên đường mòn pheromone đẻ và sau hành vi của một số loài kiến, hành vi được hiển thị để cho phép các thuộc địa kiến thực sự nhiều đường đi ngắn nhất giữa các nguồn thuộc địa và thực phẩm. Các loài kiến tiền đặt cọc pheromone dầu trên mặt đất để đánh dấu một số con đường thuận lợi mà cần được theo sau bởi các thành viên khác của thuộc địa. Các loài kiến di chuyển theo các



số tiền của kích thích tố, các phong phú hơn đường mòn pheromone dầu trên một con đường là, càng có nhiều khả năng nó sẽ được theo sau bởi các loài kiến. Vì vậy một đường dẫn ngắn hơn có một số tiền cao hơn của pheromone trong xác suất, loài kiến sẽ có xu hướng chọn đường dẫn ngắn hơn. Artificial kiến bắt chước hành vi của loài kiến thực tế như thế nào họ thu hoạch thức ăn thực phẩm, nhưng có thể giải quyết vấn đề phức tạp hơn nhiều so với loài kiến thực sự có thể. Tối ưu hóa công cụ kiến thuộc địa khai thác một cơ chế tương tự để giải quyết vấn đề tối ưu hóa.
từ nineties sớm, khi các thuật toán tối ưu hóa kiến thuộc địa đầu tiên được đề xuất, ACO thu hút sự chú ý của ngày càng tăng số lượng các nhà nghiên cứu và ứng dụng thành công nhiều và đang có sẵn. ACO đã được áp dụng rộng rãi để giải quyết vấn đề tối ưu hóa tổ hợp khác nhau chẳng hạn như vấn đề đi chào hàng (TSP), vấn đề lập kế hoạch công việc-cửa hàng (JSP), xe định tuyến vấn đề (VRP), gán bậc hai vấn đề (QAP), vấn đề vũ khí-mục tiêu chuyển nhượng (WTA), vv.
ACO có thể được sử dụng để tìm các giải pháp của vấn đề tối ưu hóa tổ hợp khó khăn và nó thích một phổ biến ngày càng tăng nhanh. Mặc dù ACO có một năng lực mạnh mẽ để tìm ra giải pháp cho các vấn đề tối ưu hóa tổ hợp, nó có vấn đề của tình trạng trì trệ và hội tụ sớm và tốc độ hội tụ của ACO luôn luôn là chậm. Những vấn đề sẽ rõ ràng hơn khi làm tăng kích thước vấn đề. Vì vậy, một vài phiên bản Tiện ích mở rộng và cải tiến của các thuật toán ACO ban đầu được giới thiệu trong những năm qua. Chuyển thể khác nhau: một thuật toán dựa trên cơ sở quy tắc tiến hóa kiến [3], năng động kiểm soát của giải pháp xây dựng và sáp của tìm kiếm địa phương ([4], [5], [6]), pheromone mới Cập Nhật chiến lược [7], Max-min kiến các hệ thống [8], một chiến lược là để phân vùng kiến nhân tạo thành hai nhóm: Hướng đạo kiến và phổ biến kiến [9], bằng cách sử dụng ứng cử viên danh sách chiến lược ([10], [11]), năng động ant colony hệ thống với ba mức độ Cập Nhật ([12-13]) và sử dụng lựa chọn con đường kiểm soát của entropy thông tin [15] được nghiên cứu để cải thiện chất lượng của các giải pháp cuối cùng và dẫn đến tăng tốc của thuật toán. Tất cả các nghiên cứu này đã góp phần vào việc cải thiện ACO để một số phạm vi, nhưng họ có ít ảnh hưởng rõ ràng tăng tốc độ hội tụ và nhận được các giải pháp tối ưu toàn cầu. Trong hệ thống đề xuất, những sửa đổi chính giới thiệu bởi ACO là như sau. Trước tiên, ACO là hiệu quả hơn như các ứng cử viên thiết lập chiến lược được thông qua. Việc sửa đổi này làm giảm kích thước của không gian tìm kiếm cho các thuật toán thuộc địa ant. Thứ hai, thông tin dữ liệu ngẫu nhiên được giới thiệu mà điều chỉnh các thông số của thuật toán. Ngoài ra, tốt nhất thực hiện thuật toán ACO cho các TSP cải thiện giải pháp được tạo ra bởi các loài kiến sử dụng thuật toán tìm kiếm địa phương. Kết quả thử nghiệm cho thấy rằng các thuật toán được đề xuất trong nghiên cứu này đáng kể có thể tăng tốc độ hội tụ của ACO.

trong bài báo này, một hệ thống thuộc địa ant sửa đổi để giải quyết các muỗng cà phê bằng cách sử dụng ứng cử viên thiết lập chiến lược và Cập Nhật năng động của heuristic tham số được phát triển. Thuật toán này được sử dụng để sản xuất các giải pháp gần tối ưu để muỗng cà phê. Giấy tổ chức như sau: Phần 2 mô tả vấn đề đi chào hàng. Phần 3 và 4 minh họa các thuật toán của ant colony hệ thống. Phần 5 trình bày ứng cử viên danh sách chiến lược cách tiếp cận để ACO và khác là phân tích của các tham số heuristic để được Cập Nhật trong các thuật toán. Phần 6presents thuật toán được đề xuất để muỗng cà phê. Trong phần 7, Các phương pháp được đề xuất được sử dụng vào một vài muỗng cà phê vấn đề và kết quả của phương pháp tiếp cận của chúng tôi và của truyền thống ACO được báo cáo. Cuối cùng, mục 8 làm cho kết luận.

Kết quả (Việt) 2:

I. GIỚI THIỆU
Swarm trí thông minh là một phương pháp tương đối mới để giải quyết vấn đề mà lấy cảm hứng từ những hành vi xã hội của côn trùng và các loài động vật khác. Các nỗ lực trong việc nghiên cứu các công nghệ máy tính là phát triển các thuật toán lấy cảm hứng từ hành vi côn trùng để giải quyết các vấn đề tối ưu hóa. tối ưu hóa đàn kiến (ACO) là một trong những kỹ thuật thành công nhất trong lĩnh vực rộng lớn hơn của đám trí thông minh. Nhiều công trình nghiên cứu đã được dành cho các kỹ thuật tối ưu hóa đàn kiến trong các lĩnh vực khác nhau. Nó là một kỹ thuật siêu theo kinh nghiệm tương đối mới và đã được sử dụng thành công trong nhiều ứng dụng đặc biệt là vấn đề thuộc về tối ưu hóa tổ hợp. ACO lấy cảm hứng từ tìm kiếm thức ăn của kiến thực lần đầu tiên được giới thiệu bởi Dorigo và các đồng nghiệp của mình ([1], [2]) vào đầu những năm 1990 và đã trở thành một trong những thuật toán hiệu quả nhất đối với TSP. ACO được dựa trên đường mòn pheromone lắp đặt và sau hành vi của một số loài kiến, một hành vi đã được thể hiện để cho phép kiến thực để tìm đường đi ngắn nhất giữa thuộc địa và thực phẩm nguồn của họ. Những con kiến gửi pheromone trên mặt đất để đánh dấu một số con đường thuận lợi cần được theo sau bởi các thành viên khác của thuộc địa. Kiến di chuyển theo số lượng kích thích tố, các phong phú hơn đường mòn pheromone trên một con đường được, nhiều khả năng nó sẽ được theo sau bởi những con kiến khác. Vì vậy, một con đường ngắn hơn có một số tiền cao hơn pheromone xác suất, kiến sẽ có xu hướng chọn một con đường ngắn hơn. Kiến nhân tạo bắt chước hành vi của loài kiến thực làm thế nào họ thức ăn thực phẩm, nhưng có thể giải quyết vấn đề phức tạp hơn nhiều so với kiến thực thể. Tối ưu hóa đàn kiến khai thác một cơ chế tương tự để giải quyết các vấn đề tối ưu hóa. Từ những năm chín mươi đầu, khi các thuật toán tối ưu hóa kiến thuộc địa đầu tiên đã được đề xuất, ACO thu hút sự chú ý của ngày càng có nhiều nhà nghiên cứu và nhiều ứng dụng thành công đang có sẵn. ACO đã được áp dụng rộng rãi để giải quyết vấn đề tối ưu hóa tổ hợp khác nhau như đi du lịch vấn đề nhân viên bán hàng (TSP), công việc của cửa hàng lịch vấn đề (JSP), vấn đề xe định tuyến (VRP), vấn đề phân bậc hai (QAP), các vấn đề vũ khí mục tiêu chuyển nhượng (WTA ), vv ACO có thể được sử dụng để tìm các giải pháp của các vấn đề tối ưu hóa tổ hợp khó khăn và nó rất thích một phổ biến ngày càng tăng nhanh. Mặc dù ACO có công suất mạnh mẽ để tìm ra giải pháp cho các vấn đề tối ưu hóa tổ hợp, nó có những vấn đề của tình trạng trì trệ và hội tụ sớm và tốc độ hội tụ của ACO luôn luôn là chậm. Những vấn đề sẽ được rõ ràng hơn khi kích thước vấn đề tăng. Vì vậy, một số phần mở rộng và cải tiến phiên bản của ACO thuật toán ban đầu đã được giới thiệu trong những năm qua. Thích nghi khác nhau: một thuật toán dựa trên cơ sở các quy tắc tiến hóa kiến [3], kiểm soát năng động xây dựng giải pháp và sáp nhập tìm kiếm địa phương ([4], [5], [6]), chiến lược pheromone cập nhật mới [7], hệ thống kiến max-min [8], một chiến lược là phân vùng kiến nhân tạo thành hai nhóm: kiến trinh sát và kiến chung [9], sử dụng các chiến lược danh sách ứng cử viên ([10], [11]), hệ thống đàn kiến năng động với ba cấp độ cập nhật ([12-13]) và sử dụng các lựa chọn con đường kiểm soát bởi thông tin dữ liệu ngẫu nhiên [15] được nghiên cứu để nâng cao chất lượng của giải pháp cuối cùng và dẫn đến tăng tốc của thuật toán. Tất cả những nghiên cứu này đã góp phần vào việc cải thiện các ACO đến mức độ nào, nhưng họ có ít ảnh hưởng rõ ràng vào việc tăng tốc độ hội tụ và có được giải pháp tối ưu toàn cầu. Trong hệ thống đề xuất, sửa đổi chính được giới thiệu bởi ACO như sau. Đầu tiên, ACO là hiệu quả hơn khi các chiến lược tập ứng cử viên được thông qua. Sửa đổi này làm giảm kích thước của không gian tìm kiếm cho các thuật toán đàn kiến. Thứ hai, thông tin dữ liệu ngẫu nhiên được giới thiệu đó là điều chỉnh các thông số của thuật toán. Ngoài ra, các thuật toán ACO thích hợp nhất cho các TSP cải thiện các giải pháp tạo ra bởi các kiến sử dụng thuật toán tìm kiếm địa phương. Kết quả thí nghiệm cho thấy thuật toán đề xuất trong nghiên cứu này có thể làm tăng đáng kể tốc độ hội tụ của các ACO. Trong bài báo này, một hệ thống đàn kiến sửa đổi để giải quyết TSP sử dụng chiến lược thiết lập và cập nhật ứng cử viên năng động của tham số để phát được phát triển. Thuật toán này được sử dụng để sản xuất các giải pháp gần tối ưu cho TSP. Bài viết này được tổ chức như sau: Phần 2 mô tả vấn đề đi du lịch nhân viên bán hàng. Phần 3 và 4 minh họa các thuật toán của hệ thống thuộc địa của kiến. Phần 5 trình bày cách tiếp cận chiến lược danh sách ứng cử viên để ACO và khác là phân tích các tham số heuristic để được cập nhật trong các thuật toán. Phần 6presents thuật toán đề xuất cho TSP. Tại mục 7, phương pháp đề xuất được sử dụng vào một số vấn đề TSP và các kết quả của phương pháp tiếp cận của chúng tôi và của ACO truyền thống được báo cáo. Cuối cùng, mục 8 làm cho kết luận.