Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and Sensor
Networks (GRAPH-HOC) Vol.8, No.1, March 2016

INTELIGÊNCIA DE SWARM DE NATURAL A

SISTEMAS ARTIFICIAIS : COLÔNIA DE FORMIGAS
OTIMIZAÇÃO

O. Deepa1 e Dr. A. Senthilkumar2

1Research Scholar, Departamento de Ciência da

Computação, Universidade de Bharathiar, Coimbatore, Tamil Nadu, Índia.
2Asst. Professor, Departamento de Ciência da
Computação, Arignar Anna Government Arts College, Namakkal, Tamil Nadu, Índia.

Abstrato

Aplicações bem-sucedidas provenientes de algoritmos inspirados biologicamente, como o Ant Colony

Optimization (ACO), baseado na inteligência artificial de enxames, inspirada no comportamento coletivo
de insetos sociais. O ACO foi inspirado no sistema natural das formigas, seu comportamento, coordenação
de equipe, sincronização para a busca da solução ideal e também mantém as informações de cada formiga.
Atualmente, ACO emergiu como uma técnica metaheurística líder para a solução de problemas de
otimização combinatória que pode ser usada para encontrar o caminho mais curto através do grafo de
construção. Este artigo descreve vários comportamentos de formigas, algoritmos ACO usados com
sucesso, aplicações e tendências atuais. Nos últimos anos, alguns pesquisadores também se concentraram
na aplicação de algoritmos ACO para projetar redes de comunicação sem fio, problemas de bioinformática, problemas dinâmicos e p

Palavras-chave

Otimização de colônias de formigas, algoritmo de inspiração biológica, inteligência de enxame artificial,

técnica metaheurística, otimização combinatória

1. INTRODUÇÃO

Muitos pesquisadores tentaram resolver problemas complexos para obter resultados viáveis. Soluções
viáveis são aquelas que fornecem todos os resultados possíveis. O problema de otimização é o
problema de encontrar o melhor resultado de todos os resultados viáveis. Muitas técnicas de otimização
são inspiradas em fenômenos naturais como otimização de colônias de formigas, otimização de
colônias de abelhas, etc. Essas técnicas são baseadas em Swarm Intelligence. O termo inteligência de
enxame é uma técnica probabilística para resolver problemas computacionais que podem ser usados
para obter a solução ótima [1]. O comportamento do caminho mais curto de forrageamento de colônias
de formigas e por um processo comum semelhante de engenharia reversa desse comportamento está
na própria raiz do design do ACO [2]. Portanto, é o ponto de partida de nossa descrição da gênese do ACO e pode ser resumido d

1.1. INSETOS SOCIAIS : INTELIGÊNCIA DE ENXAME

Insetos que vivem em colônias, como formigas, abelhas, cupins e vespas, há muitos anos inspiram
naturalistas e poetas. “O que é que governa aqui? O que dá ordens, prevê o futuro, elabora planos e
preserva o equilíbrio?” escreveu Maeterlinck. Em uma colônia de insetos sociais, uma operária
geralmente não executa todas as tarefas, mas se especializa em um conjunto de tarefas de acordo com sua

DOI: 10.5121/jgraphoc.2016.8102 9
Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and

Sensor Networks (GRAPH-HOC) Vol.8, No.1, March 2016

morfologia, idade ou acaso. Essa divisão de trabalho entre companheiros de ninho, em que diferentes atividades
são realizadas simultaneamente por grupos de indivíduos especializados. A modelagem de insetos sociais por
meio da auto-organização pode ajudar a projetar dispositivos artificiais de resolução de problemas distribuídos
que se auto-organizam para resolver problemas – sistemas inteligentes de enxame. O objetivo da inteligência de
enxame é o projeto de sistemas inteligentes multiagentes, inspirando-se no comportamento coletivo de insetos
sociais e outras sociedades animais, como cardumes de peixes, bandos de pássaros e etc.[3].

1.2. CARACTERÍSTICAS ESPECIAIS DOS INSETOS SOCIAIS

1.2.1. AUTO-ORGANIZAÇÃO

A descoberta de que a auto-organização [4] pode estar funcionando em insetos sociais e também nos fornece
ferramentas poderosas para transferir conhecimento sobre insetos sociais para o campo do design de sistemas
inteligentes. Com efeito, uma colônia de insetos sociais é um sistema descentralizado de resolução de problemas,
composto de muitas entidades interativas relativamente simples. Os problemas diários resolvidos por uma colônia
incluem encontrar comida, construir, consertar ou ampliar um ninho, dividir eficientemente o trabalho entre os
indivíduos, alimentar eficientemente a ninhada, responder a desafios externos, espalhar alarme, etc. Engenharia.
Uma das características mais importantes dos insetos sociais é que eles podem resolver esses problemas de
forma muito flexível (permite a adaptação a ambientes em mudança) e robusta (dotar a colônia com a capacidade
de funcionar mesmo que alguns indivíduos possam falhar em realizar suas tarefas ).

1.2.2. AS CAPACIDADES DE DISCRIMINAÇÃO INDIVIDUAL

Muitos insetos sociais são capazes de discriminar [5] entre companheiros de ninho e não companheiros de ninho.
Em uma sociedade de formigas, indivíduos provenientes de diferentes grupos possuem identidade química própria
e esses indivíduos apresentam capacidade de discriminação entre diferentes perfis químicos. No entanto, no nível
coletivo, esses grupos podem cooperar e agir juntos. Para entender essa aparente contradição, a amplificação é o
principal componente de muitos fenômenos coletivos em insetos sociais. Tal resposta coletiva é uma propriedade
genérica dos fenômenos sociais regidos pelo processo de amplificação.

2. TRABALHO RELACIONADO

2.1. OTIMIZAÇÃO COMBINATÓRIA (CO)

As otimizações combinatórias [6] são de grande importância tanto para o mundo científico quanto para o mundo
industrial, como design de redes de telecomunicações, inteligência artificial, otimização de formas ou biologia
computacional. A comunidade de pesquisa simplificou muitos desses problemas, como o problema do caixeiro
viajante, o problema da árvore geradora mínima, etc.

Geralmente CO é um problema NP-difícil pode ser definido como P = (S, ÿ, f) é um problema de otimização onde S
é um espaço de busca definido sobre um conjunto finito de variáveis de decisão discretas, ÿ é um conjunto de
restrições entre as variáveis e uma função objetivo

. (1)

10
Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and

Sensor Networks (GRAPH-HOC) Vol.8, No.1, March 2016

que atribui um valor de custo positivo a cada um dos objetos s ÿ S. O objetivo é encontrar um objeto de valor
de custo mínimo. O espaço de busca S é definido como um conjunto de variáveis discretas Xi onde i = 1, j vi |
1 j
Di = {vi atribuído de seuDi|},
domínio
ou seja,
Di. O,…conjunto
cada atribuição
de soluções
de Xi tem
factíveis
um valorSÿvié 2,…
dadon pelos
com valores
elementos
vi ÿ de S que
satisfazem todas as restrições do conjunto ÿ. Uma solução s* ÿ Sÿ é chamada de ótimo global se e somente
se

(2)

O conjunto de todas as soluções globalmente ótimas é denotado por Sÿ *ÿSÿ. Resolver um problema de CO
*
requer encontrar pelo menos um. s* ÿ Sÿ

Devido à importância prática dos problemas de CO, muitos algoritmos para resolvê-los foram desenvolvidos.
Esses algoritmos podem ser classificados como algoritmos completos ou aproximados.
Algoritmos completos são garantidos para encontrar uma solução ótima para cada tamanho finito em tempo
limitado. Mas esse algoritmo pode precisar de tempo de computação exponencial no pior caso. O
desenvolvimento do algoritmo aproximado, no qual sacrificamos a garantia de encontrar soluções ótimas
para obter boas soluções em um tempo significativamente reduzido.

2.2. DE FORMIGAS REAIS À OTIMIZAÇÃO DE FORMIGAS

A otimização de colônia de formigas é uma técnica metaheurística baseada em inteligência de enxame para
resolver problemas de otimização combinatória desenvolvida por Marco Dorigo e seus co-pesquisadores no
início da década de 1990 [7] que se inspira na comunicação estigmérgica [8] para encontrar o caminho mais
curto . O algoritmo de colônia de formigas é um algoritmo para encontrar caminhos ótimos que se baseia no
comportamento das formigas em busca de alimento que está longe do formigueiro [9]. A princípio, as formigas
vagam aleatoriamente. Quando uma formiga encontra uma fonte de alimento, ela caminha de volta para a
colônia deixando uma substância química no caminho chamada feromônio que mostra que o caminho tem
comida. Os feromônios que são colocados de um lado para o outro da fonte de alimento são chamados de
trilha de feromônio. É muito útil descobrir a direção da fonte de alimento. Quando outras formigas se deparam
com a trilha de feromônio, é provável que sigam o caminho com certa probabilidade. Se o fizerem, preencha
o caminho com seus próprios feromônios. À medida que mais formigas encontram o caminho, as
concentrações de feromônio ficam mais fortes. Porque as formigas secretam feromônios toda vez que trazem
comida. Eles escolhem o caminho mais curto entre muitos caminhos usando a trilha de feromônio que pode
ser convenientemente vista em termos de um processo de aprendizado coletivo que ocorre ao longo do
tempo. Caminhos mais curtos são mais propensos a serem mais fortes, otimizando assim a solução. Uma
abordagem semelhante pode ser usada para encontrar uma solução quase ótima para o problema do caixeiro
viajante. O forrageamento de uma colônia de formigas é simulado da seguinte forma: A cada iteração, todas as formigas são inicialmente

No algoritmo ACO, uma colônia de formigas artificial simula a trilha de feromônio seguindo o comportamento
de formigas reais [10]. As formigas artificiais se movem em um gráfico de construção representando um
problema específico para construir soluções sucessivamente. O feromônio artificial que corresponde ao
registro das rotas percorridas pelo formigueiro é acumulado em tempo de execução por meio de um mecanismo de aprendizado.
As formigas individuais coletam simultaneamente as informações necessárias, tomam estocasticamente
suas próprias decisões e constroem soluções independentemente de maneira gradual. As informações
necessárias para tomar uma decisão em cada etapa incluem concentração de feromônio, dados relacionados
ao problema e valores de funções heurísticas. O feromônio colocado no caminho pertencente à melhor
solução da iteração será aumentado positivamente para se tornar mais atraente nas iterações subsequentes.
Devido ao comportamento de auto-organização e engenharia reversa, o ACO pode resolver de forma eficaz e
eficiente uma ampla classe de problemas de otimização combinatória.

11
Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and Sensor
Networks (GRAPH-HOC) Vol.8, No.1, March 2016

Figura 1. Capacidade de encontrar o caminho mais curto das colônias de formigas

No sistema dinâmico, o algoritmo de colônia de formigas trabalha em grafos com diferentes topologias.
Um grafo G é um par G = (V, E), onde V consiste em dois nós, ou seja, vs representando o formigueiro e
vd representando a fonte de alimento. Além disso, E consiste em dois links, ou seja, e1 e e2, entre vs e
vd. Para e1, atribuir um comprimento de l1 e e2 um comprimento de l2 tal que l2 > l1, ou seja, e1 representa
o caminho curto e e2 representa o caminho longo entre vs e vd.

Para introduzir um valor de feromônio artificial ÿi para cada uma das duas arestas ei, i = 1, 2. Tal valor
indica a força da trilha de feromônio no caminho correspondente. Cada formiga, partindo do formigueiro
(vs), uma formiga escolhe com probabilidade entre o caminho e1 e e2 para chegar à fonte de alimento
(vd). Obviamente, se ÿ1>ÿ2, a probabilidade de escolher e1 é maior e vice-versa. Para retornar de vd para
vs, uma formiga usa o mesmo caminho e muda o valor do feromônio artificial ÿi associado ao caminho
usado da seguinte forma
(3)

onde Q é um parâmetro constante positivo do modelo. Em outras palavras, a quantidade de feromônio

artificial que é adicionado depende do comprimento do caminho escolhido (caminho mais curto).
As formigas depositam feromônio nos caminhos por onde passam. Assim, as trilhas de feromônio químico
são modeladas da seguinte forma

(4)
Na natureza, o feromônio depositado está sujeito à evaporação ao longo do tempo. Além disso, o ACO
lida com um processo no qual a diminuição da quantidade de feromônio depositado em cada caminho é
conhecida como evaporação do feromônio de trilha. Para simular a evaporação do feromônio no modelo
artificial é
(5)
onde i = 1, 2 e o parâmetro p ÿ (0, 1] que regula a evaporação do feromônio. Finalmente, todas as formigas
realizam sua viagem de volta e reforçam o caminho escolhido. Os processos acima mencionados são
ilustrados no fluxograma para abordagem ACO é como mostrado na Figura 2.

12
Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and Sensor Networks
(GRAPH-HOC) Vol.8, No.1, March 2016

Figura 2. Fluxograma de Otimização de Colônia de Formigas

2.3. VANTAGENS DO ACO

• ACO adaptativo por natureza e permite a adaptação a ambientes em mudança para dinâmica
formulários.
• Tem a vantagem da computação distribuída e pode ser possível provar que é
convergência.
• Dá feedback positivo que leva à descoberta de boas soluções e pode ser usado em aplicações
dinâmicas e exibe robustez poderosa. • Em análises de redes
de dimensão real, verificar a possibilidade de desenvolver um algoritmo meta-heurístico que permita
calcular os fluxos da rede mais rapidamente do que usando algoritmos tradicionais.

• Permite reencaminhamento dinâmico através do caminho mais curto se um nó for interrompido. A maioria dos outros
os algoritmos, em vez disso, assumem que a rede é estática.

2.4. DESVANTAGENS DO ACO

• Em algoritmos ACO padrão, a trilha de feromônio e os valores heurísticos dependem da escala do

problema. • A análise
teórica é difícil. • Sua convergência é
garantida, mas o tempo de convergência é incerto. • É propenso a cair na
solução ótima local.

13
Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and Sensor
Networks (GRAPH-HOC) Vol.8, No.1, March 2016

3. ACO PARA PROBLEMA DO VENDEDOR VIAJANTE

O Problema do Caixeiro Viajante (TSP) também desempenha um papel importante na pesquisa

ACO. O primeiro algoritmo ACO, chamado Ant System, assim como muitos dos algoritmos ACO
propostos posteriormente, foram testados pela primeira vez no TSP. O TSP é um dos problemas
NP-difíceis mais conhecidos. No TSP, temos um conjunto de cidades e as distâncias para cada par de cidades distintas.
O vendedor deve visitar todas as cidades exatamente uma vez e depois voltar para a cidade inicial
e retornar à cidade inicial no final. Nosso objetivo é encontrar um tour fechado com custo mínimo.
O ACO pode ser aplicado ao TSP de maneira direta, conforme descrito no algoritmo a seguir
ilustrado na Figura 3.

Figura 3. ACO para o Problema do Caixeiro Viajante

4. ALGORITMOS ACO PADRÃO

4.1. SISTEMA ANT (AS)

O primeiro algoritmo de colônia de formigas é o Ant System a ser desenvolvido por Dorigo,
Maniezzo e Colorni, um algoritmo para o problema do caixeiro viajante [12]. O AS foi projetado
como um sistema multiagente para otimização combinatória. Seus agentes eram chamados de
formigas e usavam uma regra de decisão probabilística, enquanto as qualidades aprendidas das
variáveis de decisão eram indicadas com o termo feromônio. No AS, as formigas constroem
soluções baseadas em dois componentes: trilhas de feromônio e informações heurísticas
dependentes do problema. Esses algoritmos têm sofrido frequentes modificações a fim de melhorar
sua eficiência. Existem várias melhorias no sistema de formigas. A primeira melhoria do AS,
chamada de estratégia elitista para sistema de formigas (EAS) [13], porque cada formiga que encontra uma solução melhor

14
Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and Sensor
Networks (GRAPH-HOC) Vol.8, No.1, March 2016

4.2. SISTEMA DE COLÔNIAS DE FORMIGAS (ACS)

A versão aprimorada do sistema Ant é o sistema de colônia de formigas a ser proposto por Dorigo e
Gambardella [14]. A diferença importante entre ACS e AS é a forma da regra de decisão utilizada pelas
formigas durante o processo de construção. Consiste na utilização de duas regras de atualização de
feromônios, local e global. Os feromônios são atualizados localmente durante a construção das
soluções e uma atualização global dos feromônios ocorre ao final do processo de construção. As
formigas no ACS usam a regra proporcional pseudoaleatória: a probabilidade de uma formiga se mover
da cidade i para a cidade j depende de uma variável aleatória q uniformemente distribuída em [0, 1] e
um parâmetro q0 ; se q ÿ q0, então dentre as componentes viáveis, escolhe-se a que maximiza o produto.

4.3. SISTEMA MAX-MIN ANT (MMAS) .

Outra versão do Ant System é o sistema Max-Min ant proposto por Stützle e Hoos [15], que fornece
boas soluções de exploração de forma eficaz. Difere do AS em que i) apenas a melhor formiga adiciona
trilhas de feromônio e ii) os valores máximo e mínimo do feromônio (ÿmax, ÿmin) são explicitamente
limitados. Todas as arestas são inicializadas para ÿmax e reinicializadas para ÿmax quando se
aproximam da estagnação (estado inativo). Ele pode ser aplicado para identificar soluções potenciais
no espaço de busca usando trilha de feromônio e criar uma nova solução inicial promissora para busca
local. A vantagem nos inspirou a iniciar uma investigação mais aprofundada sobre a aplicação do MMAS para resolver problema

4.4. SISTEMA ANT BASEADO EM RANK (ASRANK)

O ASrank é outro aprimoramento do AS proposto por Bullnheimer et al. [16]. No ASrank, todas as
soluções são classificadas de acordo com sua aptidão. A quantidade de feromônio depositada é então
ponderada para cada solução, de modo que as soluções mais ótimas depositem mais feromônio do
que as soluções menos ótimas.

4.5. OTIMIZAÇÃO RECURSIVA DE COLÔNIAS DE FORMIGAS

É uma forma recursiva do Ant System [17] que divide todo o domínio de busca em vários subdomínios
e resolve o objetivo nesses subdomínios. Os resultados de todos os subdomínios são comparados e
os melhores são selecionados e promovidos para o próximo nível. Os subdomínios correspondentes
aos resultados da seleção são subdivididos e o processo é repetido até que um resultado com a
precisão desejada seja obtido. Este método foi testado em problemas de inversão geofísica mal
colocados e funciona bem.

4.6. ANTNET

Outra versão melhorada do algoritmo ACO é AntNet [18] que é desenvolvido por Di Caro & Dorigo de
acordo com os princípios do ACO. É também um dos protocolos de roteamento baseados em ACO
mais bem-sucedidos com base na distância. No AntNet, são apresentados os conceitos das formigas
para frente e para trás. As formigas avançadas escolhem o próximo salto aleatoriamente de acordo
com os valores das informações heurísticas nas tabelas de roteamento. Todas as formigas avançadas
são convertidas em formigas atrasadas assim que chegam ao destino final. A formiga retrógrada viaja
de volta à fonte pela rota inversa e libera feromônios em cada elo por onde passa.

15
Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and Sensor Networks
(GRAPH-HOC) Vol.8, No.1, March 2016

5. APLICAÇÕES DE ACO E TENDÊNCIAS ATUAIS

As aplicações iniciais do ACO foram no domínio de problemas de otimização combinatória NP-hard. Em

relação às aplicações, o uso de ACO para a solução de problema de escalonamento (job, projeto),
problema de atribuição (quadrática, frequência, coloração de grafos), rede (roteamento de rede óptica,
roteamento orientado a conexão), aplicado em sistemas fuzzy, problema da mochila e conjunto cobrindo
problemas. No entanto, a maioria das aplicações, bem como as mais bem-sucedidas, pertencem à classe
dos algoritmos ACO. Os algoritmos ACO estão atualmente entre os métodos de última geração para
resolver diferentes problemas listados na Tabela 1.

Tabela 1. Aplicações da Otimização de Colônias de Formigas

Nome do problema Autores Nome do Algoritmo

Dorigo, Maniezzo e Colorni COMO
Problema do Caixeiro Viajante ACS
Dorigo e Gambardella
maniezzo ANTS-QAP
Problema de Atribuição Quadrática Maniezzo e Colorni AS-QAP
Problema de atribuição de frequência Maniezzo e Carbonaro ANTS-FAP

Roteamento de Rede Óptica Navarro Varela e Sinclair ACO-VWP

Problema de roteamento de veículos Gambardella, Taillard e Agazzi HAS-VRP
Coloração do gráfico Costa e Hertz ANTCOL
Ordenação sequencial Gambardella e Dorigo TEM-SOP

Roteamento de rede orientado a conexão Di Caro e Dorigo AntNet-FS

Roteamento de rede sem conexão Di Caro e Dorigo AntNet & AntNet-FA

6. CONCLUSÃO E DIREÇÃO FUTURA

Sendo uma metaheurística de sucesso, o ACO foi construído para encontrar soluções de problemas NP-
difíceis. O ACO foi aplicado com sucesso em vários domínios de aplicação, como o problema do caixeiro
viajante, problemas de atribuição quadrática, problemas de programação ou coloração gráfica. Como tal,
não há garantia de encontrar sempre a solução ideal. Além disso, os resultados obtidos podem ser ótimos
ou aproximados, dependendo do grau de aptidão do algoritmo. Portanto, é crucial encontrar a análise de
uma determinada tarefa e selecionar adequadamente os parâmetros a serem executados e realizar sua
otimização. Recentemente, pesquisadores têm lidado com a relação dos algoritmos ACO com outros
métodos probabilísticos para aprendizado por reforço e otimização.

Referência

[1] Dorigo M., (1992) “Otimização, Aprendizagem e Algoritmos Naturais”, tese de doutorado [em italiano], Departamento
de Eletrônica, Politecnico di Milano, Milão, Itália.
[2] Dorigo M. e Blum C., (2005) “Teoria de otimização de colônias de formigas: uma pesquisa”, Ciência teórica da
computação, vol. 344, nº 2-3, pp.243-278.
[3] Christian Blum, (2005) “Otimização de colônias de formigas: introdução e tendências recentes”, Physics of Life
Reviews, vol. 2, nº 4, pp. 353-373.
[4] Balasubramaniam Set. Al, (2006) "Autogoverno e auto-organização biologicamente inspirados para redes autônomas",
IEEE.
[5] Jesus Millor, Jose Halloy, Jean-Marc Ame e Jean-Louis Deneubourg, (2006) “Individual Discrimination Capability and
Collective Choice in Social Insects”, Ant colony optimization & swarm intelligence, Proceedings of 5th International
Workshop ANTS 2006 , Springer , LNCS 4150, pp.167-178.

16
Machine Translated by Google

International Journal on Applications of Graph Theory in Wireless Ad hoc Networks and Sensor
Networks (GRAPH-HOC) Vol.8, No.1, March 2016

[6] Neumann F., e Witt C., (2010) “Computação Bioinspirada em Otimização Combinatória - Algoritmos e
sua Complexidade Computacional”, Natural Computing Series, Springer, ISBN 978-3-642-16543-6.

[7] Dorigo M., Manieo V. e Colorni A., (1991) “Positive Feedback as a Search Strategy”, Relatório Técnico
91-016, Departamento de Eletrônica, Politecnico di Milano, Itália.
[8] Hadeli, Valckenaers P., Kollingbaum M. e Van Brussel H., (2004) "Coordenação e controle de agentes
múltiplos usando stigmergy", Computers in Industry, vol. 53, pp.75-96.
[9] Bonabeau E., Dorigo M. e Theraulaz G., "Swarm Intelligence: From Natural to Artificial Systems", Oxford
University Press, Nova York.
[10] Mandeep Kaur Bedi e Sheena Singh, (2013) “Estudo comparativo de duas técnicas de otimização
baseadas em fenômenos naturais”, Jornal internacional de pesquisa científica e de engenharia, vol. 4, nº
3, ISSN 2229-5518.
[11] http://www.scholarpedia.org/article/ Ant_colony_optimization
[12] Dorigo M., Maniezzo V. e Colorni A., (1996) “Sistema Ant: Otimização por uma colônia de agentes
cooperantes”, IEEE Transaction SystemS , Homem, Cybernet - Parte B, Vol. 26, nº 1, pp.29-41.
[13] Sorin C., Negulescu, Constantin Oprean, Claudiu V., Kifor e Ilie Carabulea., (2008) "Elitist Ant System
for Route Allocation Problem", 8ª WSEAS International Conference on Applied Informatics and
Communications ( AIC'08 ) , Grécia, pp.62-67.
[14] Dorigo M. e Gambardella LM, (1997) “Sistema de Colônia de Formigas: Uma abordagem de aprendizado
cooperativo para o problema do caixeiro viajante”, IEEE Transactions on Evolutionary Computation, vol.
1, nº 1, pp.53-56.
[15] Stützle T., e Hoos HH, (2000) “MAX-MIN Ant System”, Future Generation Computer System, vol. 16, nº
8, pp.889-914.
[16] Bullnheimer B., Hartl RF e Strauss C., (1997) “Uma nova versão baseada em classificação do sistema
Ant: um estudo computacional”, documento de trabalho nº 1, SFB Adaptive Information Systems and
Modeling in Economics and Management Ciência, Viena, vol. 7, No.1, pp.25-38.
[17] Nitish Sabharwal, Harshit Sharma, (2011) “A Recursive Ant Colony System Algorithm for the TSP”,
Conferência Internacional sobre Avanços em Tecnologia da Informação com Workshop do ICBMG 2011,
IPCSIT, vol. 20, pp.60-66.
[18] Di Caro G., e Dorigo M., (1998) “AntNet: Distributed Stigmergetic Control for Communications
Networks”, Journal of Artificial Intelligence Research, vol. 9, nº 3, pp.317-365.

17