Apadana موسسه آموزش عالی آپادانا Journal of Apadana ........... نشریه مطالعات مهندسی کامپیوتر آپادانا - A Review of Complex Problem Optimization Using the Ant Colony Algorithm: A Study on Applications and Challenges مروری بر بهینه‌سازی مسائل پیچیده با الگوریتم کلونی مورچه: مطالعه‌ای بر کاربردها و چالش‌ها FA Saman Ghasemi Master's Student in Artificial Intelligence، Apadana Institute of Higher Education, Shiraz, Iran سامان قاسمی دانشجوی کارشناسی ارشد هوش مصنوعی، موسسه آموزش عالی آپادانا، شیراز، ایران Kimia Bazargan Lari Assistant Professor, Department of Computer Science, Apadana Institute of Higher Education, Shiraz, Iran کیمیا بازرگان لاری استادیار، گروه کامپیوتر، موسسه آموزش عالی آپادانا، شیراز، ایران Zahra Ekramzadeh Instructor, Department of Computer Science, Apadana Institute of Higher Education, Shiraz, Iran زهرا اکرام زاده مربی، گروه کامپیوتر، موسسه آموزش عالی آپادانا، شیراز Many real-world problems are dynamic, and solving them requires an algorithm that can not only find the optimal solution in a given environment but also track optimal changes over time. Various evolutionary algorithms have been proposed for optimization in dynamic environments. In such environments, after changes occur, the algorithm requires enough diversity to search again. Simultaneously, utilizing information from previous searches can increase the speed of the search. The main issue with traditional evolutionary algorithms in solving dynamic optimization problems is premature convergence and the reduction of population diversity over time. Therefore, approaches are needed that can maintain diversity over time when tackling these problems. The Ant Colony Optimization (ACO) algorithm is a metaheuristic inspired by the natural behavior of ants and is used to solve optimization problems. This algorithm is based on the secretion of pheromone by ants. In nature, ants use pheromones to discover and reinforce optimal paths to food sources. In ACO, this behavior is modeled by defining parameters such as pheromone and heuristic information. By combining heuristic information and pheromone, ACO can effectively solve complex and NP-hard problems. Due to its scalability and high efficiency, this algorithm is used in various applications, including routing, scheduling, and resource allocation. This paper reviews the Ant Colony Optimization algorithm and explores its applications in different problems. بسیاری از مسائل دنیای واقعی پویا هستند و برای حل آن‌ها نیاز به الگوریتمی است که علاوه بر یافتن جواب بهینه در محیط، بتواند تغییرات بهینه را در طول زمان دنبال کند. تاکنون الگوریتم‌های تکاملی مختلفی برای بهینه‌سازی در محیط‌های پویا پیشنهاد شده‌اند. در چنین محیط‌هایی، پس از وقوع تغییرات، الگوریتم به تنوع کافی برای جستجوی دوباره نیاز دارد. هم‌زمان، استفاده از اطلاعات حاصل از جستجوهای پیشین می‌تواند سرعت جستجو را افزایش دهد. مشکل اصلی الگوریتم‌های تکاملی معمول در حل مسائل بهینه‌سازی پویا، همگرایی زودرس و کاهش تنوع جمعیتی در طول زمان است. بنابراین، در مواجهه با این مسائل، رویکردهایی لازم است که بتوانند تنوع را در طول زمان حفظ کنند. الگوریتم کلونی مورچه (ACO) یکی از الگوریتم‌های فراابتکاری الهام‌گرفته از رفتار طبیعی مورچه‌ها است که برای حل مسائل بهینه‌سازی استفاده می‌شود. این الگوریتم بر پایه ترشح ماده شیمیایی فرومون توسط مورچه‌ها بنا شده است. مورچه‌ها در طبیعت با استفاده از فرومون، مسیرهای بهینه را برای رسیدن به منابع غذایی کشف و تقویت می‌کنند. در ACO، این رفتار با تعریف پارامترهایی همچون فرومون و اطلاعات هیوریستیک مدل‌سازی می‌شود. ACOبا ترکیب اطلاعات هیوریستیک و فرومون، می‌تواند به‌طور مؤثر به حل مسائل پیچیده و NP-hard بپردازد. این الگوریتم به دلیل قابلیت تعمیم‌پذیری و کارایی بالا، در مسائل مختلف از جمله مسیریابی، زمان‌بندی و تخصیص منابع مورد استفاده قرار می‌گیرد.در این مقاله، الگوریتم کلونی مورچه بررسی شده و کاربرد آن در مسائل مختلف مورد مطالعه قرار می‌گیرد. https://ajce.apadana.ac.ir/downloadfilepdf/428499