Conclusions In this paper we presen

Conclusions
In this paper we presented an original heuristic called ant system, and we applied it to the job-shop scheduling problem. AS is a stochastic optimization algorithm that takes inspiration fromthe model of a natural process. One of its more attractive characteristics is the distribution ofsearch over several simple, loosely interacting agents called ants. The effectiveness of thealgorithm is due to the cooperation among the ants, which takes place periodically bymodification of a global problem-specific memory structure, the trail matrix.The effect of applying AS to a JSP problem is a probabilistic superposition of effects: eachant, if isolated (i.e., if α=0), would move according to a local, greedy heuristic. This greedyheuristic guarantees only locally optimal moves; it doesn't give good results because greedylocal improvements very often lead to very bad final steps. In fact, the tour followed by an antruled by a greedy policy is composed by some parts that are very good and some others whichare not. If we now consider the effect of the simultaneous presence of many ants, then each antcontributes to a part of the trail distribution; good parts of paths will be followed by many antsand therefore they receive a great amount of trail, which in turn will make these parts moreattractive (thus giving rise to a positive feedback – or autocatalytic – process); bad parts chosenbecause obliged by constraints satisfaction (the tabu list) will be chosen only by few ants andtherefore their trail level remains low. When agents interact, the autocatalytic process convergeson good solutions very quickly, without getting stuck in local optima.The AS has already proved effective in solving TSP (Colorni, Dorigo, Maniezzo, 1991;1992) and QAP (Colorni, Dorigo, Maniezzo, Muzio, 1994). The application reported herefurther suggests the robustness of the approach, showing how it is one of the most easilyadaptable population-based heuristics so far proposed and how its basic computationalparadigm (the updating of a global problem representation by many simple agents) is indeedeffective under very different conditions

ผลลัพธ์ (ไทย) 1:

บทสรุป ในเอกสารนี้ เรานำเสนอระบบมดเรียกว่าพฤติกรรมเดิม และเราใช้กับปัญหาการจัดกำหนดการงานร้าน เป็นขั้นตอนการเพิ่มประสิทธิภาพของ stochastic ที่แรงบันดาลใจจากรูปแบบของกระบวนการทางธรรมชาติ ลักษณะที่น่าสนใจมากขึ้นของอย่างใดอย่างหนึ่งคือ ofsearch กระจายผ่านหลายง่าย แคระหลวมตัวแทนเรียกว่ามด ประสิทธิภาพของ thealgorithm เกิดจากความร่วมมือมด ซึ่งจะเกิดขึ้นเป็นระยะ ๆ bymodification โครงสร้างหน่วยความจำเฉพาะปัญหาสากล เมตริกซ์เส้น ผลของการใช้เป็นปัญหา JSP เป็น superposition น่าจะเป็นของผล: eachant ถ้าแยก (เช่น ถ้าα = 0), จะย้ายตามแบบท้องถิ่น โลภวริ Greedyheuristic นี้รับประกันย้ายเฉพาะภายในที่เหมาะสม จะไม่ให้ผลลัพธ์ที่ดีเนื่องจากปรับปรุง greedylocal มากมักจะนำไปสู่ขั้นตอนสุดท้ายที่เลวร้ายมาก ในความเป็นจริง ตาม ด้วย antruled การ โดยนโยบายโลภจะประกอบไป ด้วยชิ้นส่วนบางอย่างที่ดีมากและบาง whichare ไม่ ถ้าตอนนี้เราพิจารณาผลของการปรากฏตัวพร้อมกันของมดมาก แล้ว antcontributes แต่ละส่วนของการกระจายตัวของเส้น จะตามส่วนที่ดีของเส้นทาง โดยมาก antsand ดังนั้นพวกเขาได้รับจำนวนมากของเส้น ซึ่งในการเปิดจะทำให้ moreattractive ส่วนเหล่านี้ (ดังนั้นจึงให้ขึ้น ไป ตอบ – หรือ autocatalytic – กระบวนการ); chosenbecause ไม่ดีส่วนที่บังคับ โดยข้อจำกัดของความพึงพอใจ (รายการทาบู) จะถูกเลือก โดย andtherefore มดไม่กี่เท่าระดับเส้นยังคงต่ำ เมื่อตัวแทนโต้ตอบ โซลูชั่นดี convergeson autocatalytic กระบวนการได้อย่างรวดเร็ว โดยไม่ได้รับการติดอยู่ในท้องถิ่น optima AS ได้พิสูจน์แล้วมีประสิทธิภาพในการแก้ปัญหา TSP (Colorni, Dorigo, Maniezzo, 1991; 1992) และแบบ (Colorni, Dorigo, Maniezzo, Muzio, 1994) แอพลิเคชันรายงาน herefurther แสดงให้เห็นความแข็งแกร่งของวิธี แสดงว่ามันจะรุกตามประชากรส่วนใหญ่ easilyadaptable อย่างใดอย่างหนึ่งจนการนำเสนอ และวิธี computationalparadigm การพื้นฐาน (การปรับปรุงการแสดงปัญหาโลกโดยตัวแทนง่ายมาก) เป็น indeedeffective ภายใต้เงื่อนไขที่แตกต่างกันมาก

ผลลัพธ์ (ไทย) 2:

ข้อสรุป
ในบทความนี้เรานำเสนอการแก้ปัญหาเดิมที่เรียกว่าระบบมดและเราใช้มันในการแก้ไขปัญหาการจัดตารางงานร้านค้า AS เป็นขั้นตอนวิธีการเพิ่มประสิทธิภาพการสุ่มที่เกิดแรงบันดาลใจ fromthe รูปแบบของกระบวนการทางธรรมชาติ หนึ่งในลักษณะที่น่าสนใจมากขึ้นคือการกระจายไปหลาย ofsearch ง่ายตัวแทนหลวมมีปฏิสัมพันธ์ที่เรียกว่ามด ประสิทธิผลของ thealgorithm เป็นเพราะความร่วมมือระหว่างมดซึ่งจะมีขึ้นเป็นระยะ ๆ bymodification โครงสร้างปัญหาหน่วยความจำเฉพาะระดับโลกทาง matrix.The ผลกระทบของการใช้เท่าที่จะเป็นปัญหา JSP คือการทับซ้อนของผลกระทบที่น่าจะเป็น: eachant ถ้า แยก (เช่นถ้าα = 0) จะย้ายตามท้องถิ่นแก้ปัญหาโลภ นี้ greedyheuristic ค้ำประกันเพียงการเคลื่อนไหวที่ดีที่สุดในประเทศ; มันไม่ได้ให้ผลที่ดีเพราะการปรับปรุง greedylocal มากมักจะนำไปสู่ขั้นตอนสุดท้ายที่เลวร้ายมาก ในความเป็นจริงการท่องเที่ยวตาม antruled ตามนโยบายโลภประกอบด้วยบางส่วนที่เป็นสิ่งที่ดีมากและอื่น ๆ บางครั้งอยู่ไม่ได้ ถ้าตอนนี้เราจะพิจารณาผลกระทบของการปรากฏตัวพร้อมกันของมดจำนวนมากแล้ว antcontributes เพื่อเป็นส่วนหนึ่งของการกระจายเส้นทางที่แต่ละ; ส่วนที่ดีของเส้นทางจะตามมาด้วย antsand จำนวนมากดังนั้นพวกเขาจึงได้รับจำนวนมากของเส้นทางซึ่งในทางกลับกันจะทำให้ชิ้นส่วนเหล่านี้ moreattractive (จึงให้สูงขึ้นเพื่อตอบรับเชิงบวก - หรือ autocatalytic - ขั้นตอน); ส่วนที่ไม่ดี chosenbecause หน้าที่ที่พึงพอใจโดย จำกัด (รายการห้าม) จะได้รับการแต่งตั้งโดยไม่กี่มดเพียง andtherefore ระดับเส้นทางของพวกเขายังคงอยู่ในระดับต่ำ เมื่อตัวแทนโต้ตอบกระบวนการ autocatalytic convergeson การแก้ปัญหาที่ดีมากได้อย่างรวดเร็วโดยไม่ได้รับการติดอยู่ใน optima.The ท้องถิ่นตามที่ได้รับการพิสูจน์แล้วที่มีประสิทธิภาพในการแก้ TSP (Colorni, Dorigo, Maniezzo 1991; 1992) และ QAP (Colorni, Dorigo, Maniezzo, Muzio , 1994) แอพลิเคชันที่มีการรายงาน herefurther แสดงให้เห็นความทนทานของวิธีการที่แสดงให้เห็นว่ามันเป็นหนึ่งใน easilyadaptable ที่สุดการวิเคราะห์พฤติกรรมของประชากรตามที่นำเสนอเพื่อให้ห่างไกลและวิธี computationalparadigm พื้นฐาน (การปรับปรุงการแสดงปัญหาระดับโลกโดยตัวแทนที่เรียบง่ายหลาย) เป็น indeedeffective ภายใต้แตกต่างกันมาก เงื่อนไข

ผลลัพธ์ (ไทย) 3:

สรุปในกระดาษนี้เรานำเสนอแบบระบบเดิม เรียกว่ามด และเราใช้มันเพื่องานกำหนดปัญหาร้าน . เป็นขั้นตอนวิธีที่ใช้แบบ Stochastic optimization จากแรงบันดาลใจของกระบวนการทางธรรมชาติ หนึ่งในลักษณะที่น่าสนใจมากขึ้นคือการกระจายไปหลายๆ ศัพท์ดรรชนีที่ใช้ง่าย สร้างการโต้ตอบตัวแทนที่เรียกว่ามด ประสิทธิผลของ thealgorithm เกิดจากการร่วมมือของมด ซึ่งจะเกิดขึ้นเป็นระยะ ๆ bymodification โครงสร้างหน่วยความจำเฉพาะปัญหาทั่วโลก , เส้นทางเมทริกซ์ ผลของการประยุกต์ใช้กับปัญหา JSP เป็น superposition ความน่าจะเป็นของผล : eachant ถ้าแยกได้ ( เช่น ถ้าα = 0 ) จะย้ายตามไปท้องถิ่น , โลภแบบศึกษาสำนึก นี้ greedyheuristic รับประกันย้ายเฉพาะในท้องถิ่นที่เหมาะสม ; มันไม่ได้ให้ผลดี เพราะ greedylocal การปรับปรุงมากมักจะนำไปสู่เลวมาก สุดท้าย ขั้นตอน ในความเป็นจริง , ทัวร์ตาม antruled โดยนโยบายโลภประกอบไปด้วยชิ้นส่วนบางอย่างที่ดีมากๆ และบางคนอื่น ๆ ซึ่งไม่ ถ้าเราพิจารณาผลของการปรากฏตัวพร้อมกันของหลาย มด จากนั้นแต่ละ antcontributes เป็นส่วนหนึ่งของเส้นทางการกระจาย ; ชิ้นส่วนที่ดีของเส้นทางจะตามมาหลาย antsand ดังนั้นพวกเขาได้รับจำนวนเงินที่ดีของเส้นทาง ซึ่งจะทำให้ชิ้นส่วนเหล่านี้ moreattractive ( จึงให้สูงขึ้นเพื่อติชมเป็นบวก ( หรือกระบวนการ ) ย่อยตัวเอง ) ; ส่วนที่ไม่ดี chosenbecause obliged โดยความพึงพอใจของข้อจำกัด ( รายการเช่น ) จะถูกเลือกโดยเฉพาะบางมด andtherefore ระดับเส้นทางของพวกเขายังคงต่ำ เมื่อเจ้าหน้าที่มีกระบวนการย่อยตัวเอง convergeson โซลูชั่นที่ดีอย่างรวดเร็วโดยไม่ได้รับติดอยู่ใน Optima ท้องถิ่น ที่ได้พิสูจน์แล้วว่ามีประสิทธิภาพในการแก้ช้อนชา ( colorni ดอริโก , maniezzo , 1991 ; 1992 ) แขนกล ( colorni maniezzo ดอริโก , , , muzio , 1994 ) โปรแกรมรายงาน herefurther บ่งบอกความแข็งแกร่งของวิธีการแสดงให้เห็นว่ามันเป็นหนึ่งในตัวเลขที่ easilyadaptable - ตามจำนวนประชากรมากที่สุดเสนอ และวิธีการ computationalparadigm พื้นฐาน ( ปรับปรุง ) การแทนปัญหาโดยตัวแทนง่ายมาก ) indeedeffective ภายใต้เงื่อนไขที่แตกต่างกันมาก