In computer science and operations

In computer science and operations research, the ant colony
optimization algorithm (ACO) is a probabilistic technique for
solving computational problems which can be reduced to
finding good paths through graphs.
This algorithm is a member of the ant colony algorithms family,
in swarm intelligence methods, and it constitutes some
metaheuristic optimizations. Initially proposed by Marco
Dorigo in 1992 in his PhD thesis,[1][2] the first algorithm was
aiming to search for an optimal path in a graph, based on the
behavior of ants seeking a path between their colony and a
source of food. The original idea has since diversified to solve a
wider class of numerical problems, and as a result, several
problems have emerged, drawing on various aspects of the
behavior of ants
Ant colony optimization algorithms have been applied to many
combinatorial optimization problems, ranging from quadratic
assignment toprotein folding or routing vehicles and a lot of
derived methods have been adapted to dynamic problems in real
variables, stochastic problems, multi-targets and parallel
implementations. It has also been used to produce near-optimal
solutions to the travelling salesman problem.

Hasil (Bahasa Indonesia) 1:

Dalam ilmu komputer dan riset operasi, koloni semut optimasi algoritma (ACO) adalah teknik probabilistik untuk memecahkan masalah komputasi yang dapat dikurangi menemukan baik jalan melalui grafik. Algoritma ini adalah anggota dari keluarga algoritma koloni semut, dalam kawanan metode intelijen, dan itu merupakan beberapa metaheuristic optimasi. Awalnya diusulkan oleh Marco Dorigo pada tahun 1992 di tesis PhD, [1] [2] algoritma pertama bertujuan untuk mencari jalan yang optimal dalam grafik, berdasarkan perilaku semut mencari jalan antara koloni mereka dan sumber makanan. Ide asli karena telah melakukan diversifikasi untuk memecahkan kelas yang lebih luas dari masalah numerik, dan sebagai hasilnya, beberapa masalah telah muncul, menggambar pada berbagai aspek perilaku semut Algoritma semut telah diterapkan untuk banyak Kombinatorial optimasi masalah, mulai dari kuadrat tugas toprotein lipat atau kendaraan routing dan banyak metode berasal telah disesuaikan untuk masalah-masalah yang dinamis di real variabel, stokastik masalah, multi target dan paralel implementasi. Ini juga telah digunakan untuk menghasilkan dekat optimal solusi untuk masalah Penjual keliling.

Hasil (Bahasa Indonesia) 2:

Dalam ilmu komputer dan riset operasi, koloni semut
optimasi algoritma (ACO) adalah teknik probabilistik untuk
menyelesaikan masalah komputasi yang dapat dikurangi untuk
menemukan jalur yang baik melalui grafik.
Algoritma ini adalah anggota dari semut algoritma koloni keluarga,
dalam metode intelijen segerombolan , dan itu merupakan beberapa
optimasi metaheuristik. Awalnya diusulkan oleh Marco
Dorigo tahun 1992 di tesis PhD-nya, [1] [2] algoritma pertama
yang bertujuan untuk mencari jalur yang optimal dalam grafik, berdasarkan
perilaku semut mencari jalan antara koloni mereka dan
sumber makanan . Ide asli sejak diversifikasi untuk memecahkan
kelas yang lebih luas dari masalah numerik, dan sebagai hasilnya, beberapa
masalah telah muncul, menggambar pada berbagai aspek
perilaku semut
algoritma semut telah diterapkan pada banyak
masalah optimasi kombinatorial, mulai dari kuadrat
tugas toprotein lipat atau routing kendaraan dan banyak
metode berasal telah disesuaikan dengan masalah yang dinamis secara real
variabel, masalah stokastik, multi-target dan paralel
implementasi. Ini juga telah digunakan untuk menghasilkan dekat-optimal
solusi untuk masalah salesman keliling.