With an ACO algorithm, the shortest

With an ACO algorithm, the shortest path in a graph, between
two points A and B, is built from a combination of several paths.
It is not easy to give a precise definition of what algorithm is or
is not an ant colony, because the definition may vary according
to the authors and uses. Broadly speaking, ant colony algorithms
are regarded as populated metaheuristics with each solution
represented by an ant moving in the search space. Ants mark the
best solutions and take account of previous markings to
optimize their search. They can be seen asprobabilistic multi-agent algorithms using a probability distribution to make the
transition between each iteration. In their versions for
combinatorial problems, they use an iterative construction of
solutions. According to some authors, the thing which
distinguishes ACO algorithms from other relatives (such as
algorithms to estimate the distribution or particle swarm
optimization) is precisely their constructive aspect. In
combinatorial problems, it is possible that the best solution
eventually be found, even though no ant would prove effective.
Thus, in the example of the Travelling salesman problem, it is
not necessary that an ant actually travels the shortest route: the
shortest route can be built from the strongest segments of the
best solutions. However, this definition can be problematic in
the case of problems in real variables, where no structure of
'neighbours' exists. The collective behaviour of social insects
remains a source of inspiration for researchers. The wide
variety of algorithms (for optimization or not) seeking self-organization in biological systems has led to the concept of
"swarm intelligence", which is a very general framework in
which ant colony algorithms fit.

Hasil (Bahasa Indonesia) 1:

Dengan algoritma ACO, jalan terpendek dalam grafik, antara dua titik A dan B, dibangun dari kombinasi beberapa path. Hal ini tidak mudah untuk memberikan definisi yang tepat apa algoritma atau ini tidak koloni semut, karena definisi dapat bervariasi menurut penulis dan kegunaan. Secara umum, algoritma koloni semut dianggap sebagai penduduk metaheuristics dengan setiap solusi diwakili oleh semut bergerak di ruang pencarian. Semut menandai solusi terbaik dan mengambil account dari tanda-tanda sebelumnya untuk Optimalkan pencarian mereka. Mereka dapat dilihat asprobabilistic multi agen algoritma menggunakan distribusi probabilitas untuk membuat transisi antara setiap iterasi. Dalam versi mereka untuk Kombinatorial masalah, mereka menggunakan konstruksi iteratif solusi. Menurut beberapa penulis, hal yang membedakan ACO algoritma dari kerabat lainnya (seperti algoritma untuk memperkirakan distribusi atau partikel kawanan optimasi) adalah justru aspek mereka konstruktif. Dalam Kombinatorial masalah, sangat mungkin bahwa solusi terbaik akhirnya ditemukan, meskipun semut tidak akan terbukti efektif. Jadi, dalam contoh masalah Penjual perjalanan, adalah tidak perlu bahwa semut sebenarnya perjalanan rute terpendek: rute terpendek dapat dibangun dari segmen terkuat solusi terbaik. Namun, definisi ini bisa bermasalah di kasus masalah dalam variabel yang nyata, mana ada struktur 'olahraga' ada. Perilaku kolektif dari serangga sosial tetap menjadi sumber inspirasi bagi para peneliti. Luas berbagai algoritma (untuk optimasi atau tidak) mencari diri-organisasi dalam sistem biologis telah menyebabkan konsep "kawanan kecerdasan", yang merupakan suatu kerangka kerja yang sangat umum dalam algoritma koloni semut yang sesuai.

Hasil (Bahasa Indonesia) 2:

Dengan algoritma ACO, jalan terpendek dalam grafik, antara
dua titik A dan B, dibangun dari kombinasi dari beberapa jalur.
Hal ini tidak mudah untuk memberikan definisi yang tepat dari apa algoritma atau
bukan koloni semut, karena definisi dapat bervariasi sesuai
dengan penulis dan penggunaan. Secara garis besar, algoritma koloni semut
dianggap sebagai metaheuristik diisi dengan setiap solusi
diwakili oleh bergerak semut di ruang pencarian. Semut menandai
solusi terbaik dan memperhatikan tanda sebelumnya untuk
mengoptimalkan pencarian mereka. Mereka dapat dilihat asprobabilistic algoritma multi-agen menggunakan distribusi probabilitas untuk membuat
transisi antara setiap iterasi. Dalam versi mereka untuk
masalah kombinatorial, mereka menggunakan konstruksi berulang dari
solusi. Menurut beberapa penulis, hal yang
membedakan ACO algoritma dari kerabat lainnya (seperti
algoritma untuk memperkirakan distribusi atau partikel kawanan
optimasi) justru aspek konstruktif. Dalam
masalah kombinatorial, adalah mungkin bahwa solusi terbaik
akhirnya ditemukan, meskipun tidak ada semut akan terbukti efektif.
Jadi, dalam contoh masalah salesman Travelling, itu
tidak perlu bahwa semut benar-benar perjalanan rute terpendek: the
rute terpendek dapat dibangun dari segmen terkuat dari
solusi terbaik. Namun, definisi ini dapat menjadi masalah dalam
kasus masalah dalam variabel riil, di mana tidak ada struktur
'tetangga' ada. Perilaku kolektif serangga sosial
tetap menjadi sumber inspirasi bagi para peneliti. Lebar
berbagai algoritma (untuk pengoptimalan atau tidak) mencari diri-organisasi dalam sistem biologis telah menyebabkan konsep
"kecerdasan berkelompok", yang merupakan kerangka kerja yang sangat umum di
mana algoritma koloni semut cocok.