A Survey of Ant Colony Optimization Based Routing Protocols for Mobile Ad Hoc

Networks
Khảo sát về các giao thức định tuyến dựa trên kiến trúc
Ant Antony cho các mạng Ad Hoc di động
Trừu tượng:
Phát triển các giao thức định tuyến hiệu quả cao cho Mobile Ad hoc NETworks (MANET)
là một nhiệm vụ đầy thử thách. Để thực hiện nhiều yêu cầu định tuyến, chẳng hạn như độ
trễ gói thấp, tốc độ phân phối gói cao và thích ứng hiệu quả với thay đổi cấu trúc liên kết
mạng với chi phí điều khiển thấp, v.v., cách mới để xác định các giải pháp cho vấn đề tối
ưu hóa NP-hard đã biết trong MANET phải được điều tra. Các thuật toán thông minh
Swarm (SI) đã thu hút được rất nhiều sự chú ý, bởi vì chúng có thể cung cấp các giải pháp
tối ưu hóa có thể đảm bảo tính linh hoạt cao, linh hoạt và chi phí thấp. Hơn nữa, họ có thể
giải quyết các vấn đề phức tạp quy mô lớn mà không có một thực thể điều khiển tập
trung. Một ví dụ thành công trong lĩnh vực SI là tối ưu hóa ant colony tối ưu hóa (ACO). Nó
trình bày một khuôn khổ chung cho các giải pháp gần đúng đối với các vấn đề tối ưu hóa
NP-hard. ACO đã được áp dụng thành công để cân bằng các yêu cầu liên quan đến định
tuyến khác nhau trong MANET động. Bài báo này trình bày một cuộc khảo sát toàn diện
và so sánh các giao thức định tuyến dựa trên ACO khác nhau trong MANET. Những đóng
góp chính của cuộc khảo sát này bao gồm: 1) giới thiệu các nguyên tắc ACO như được áp
dụng trong các giao thức định tuyến cho MANET; 2) phân loại các phương pháp định tuyến
dựa trên ACO được xem xét trong bài báo này thành năm loại chính; 3) khảo sát và so sánh
các giao thức định tuyến đã chọn từ quan điểm của các tham số thiết kế và mô phỏng; và
4) thảo luận các vấn đề mở và các hướng thiết kế có thể có trong tương lai của các giao
thức định tuyến dựa trên ACO. ACO đã được áp dụng thành công để cân bằng các yêu cầu
liên quan đến định tuyến khác nhau trong MANET động. Bài báo này trình bày một cuộc
khảo sát toàn diện và so sánh các giao thức định tuyến dựa trên ACO khác nhau trong
MANET. Những đóng góp chính của cuộc khảo sát này bao gồm: 1) giới thiệu các nguyên
tắc ACO như được áp dụng trong các giao thức định tuyến cho MANET; 2) phân loại các
phương pháp định tuyến dựa trên ACO được xem xét trong bài báo này thành năm loại
chính; 3) khảo sát và so sánh các giao thức định tuyến đã chọn từ quan điểm của các tham
số thiết kế và mô phỏng; và 4) thảo luận các vấn đề mở và các hướng thiết kế có thể có
trong tương lai của các giao thức định tuyến dựa trên ACO. ACO đã được áp dụng thành
công để cân bằng các yêu cầu liên quan đến định tuyến khác nhau trong MANET động. Bài
báo này trình bày một cuộc khảo sát toàn diện và so sánh các giao thức định tuyến dựa trên
ACO khác nhau trong MANET. Những đóng góp chính của cuộc khảo sát này bao gồm:
1) giới thiệu các nguyên tắc ACO như được áp dụng trong các giao thức định tuyến cho
MANET; 2) phân loại các phương pháp định tuyến dựa trên ACO được xem xét trong bài
báo này thành năm loại chính; 3) khảo sát và so sánh các giao thức định tuyến đã chọn từ
quan điểm của các tham số thiết kế và mô phỏng; và 4) thảo luận các vấn đề mở và các
hướng thiết kế có thể có trong tương lai của các giao thức định tuyến dựa trên ACO. 1) giới
thiệu các nguyên tắc ACO như được áp dụng trong các giao thức định tuyến cho
MANET; 2) phân loại các phương pháp định tuyến dựa trên ACO được xem xét trong bài
báo này thành năm loại chính; 3) khảo sát và so sánh các giao thức định tuyến đã chọn từ
quan điểm của các tham số thiết kế và mô phỏng; và 4) thảo luận các vấn đề mở và các
hướng thiết kế có thể có trong tương lai của các giao thức định tuyến dựa trên ACO. 1) giới
thiệu các nguyên tắc ACO như được áp dụng trong các giao thức định tuyến cho
MANET; 2) phân loại các phương pháp định tuyến dựa trên ACO được xem xét trong bài
báo này thành năm loại chính; 3) khảo sát và so sánh các giao thức định tuyến đã chọn từ
quan điểm của các tham số thiết kế và mô phỏng; và 4) thảo luận các vấn đề mở và các
hướng thiết kế có thể có trong tương lai của các giao thức định tuyến dựa trên ACO.

MỤC I.
Giới thiệu
Không giống như các mạng có dây, Mobile Ad hoc NETworks (MANET) là các mạng cơ
sở hạ tầng bao gồm các thiết bị di động không dây. Vì các thiết bị di động này có thể tham
gia và rời khỏi mạng một cách tự do, cấu trúc liên kết mạng có thể thay đổi rất thường
xuyên. Do thiếu cơ sở hạ tầng, các thiết bị trong các mạng như vậy cần hợp tác với nhau
và hoạt động theo cách tự tổ chức thông qua các kênh không dây. Do đó, việc phát triển
các giao thức định tuyến thích hợp cho MANETs là một nhiệm vụ đầy thách thức. Từ
những năm 1990, nhiều giao thức định tuyến hiện đại đã được đề xuất cho các MANET,
chẳng hạn như định tuyến Vector đích được sắp xếp theo thứ tự (DSDV) [1] , định
tuyến Ad hoc theo yêu cầu (AODV) định tuyến [2] và Giao thức định tuyến nguồn động
(DSR) [3]. Tuy nhiên, các giao thức định tuyến này được đề xuất từ lâu trước đây tập trung
vào việc giải quyết các yêu cầu định tuyến cơ bản và hầu như không thể đáp ứng các yêu
cầu mới của định tuyến MANET ngày nay. Bên cạnh các yêu cầu định tuyến cơ bản, các
giao thức định tuyến mới được thiết kế cho MANET được cho là hoạt động theo cách tự
tổ chức và cung cấp độ trễ gói thấp, tốc độ gửi gói cao và thích ứng hiệu quả với các thay
đổi cấu trúc mạng với chi phí điều khiển thấp. Kể từ khi các nhà sinh học và các nhà khoa
học thiên nhiên đã phát hiện ra rằng các hoạt động trong nhiều hệ thống sinh học như đàn
kiến và thuộc địa ong được dựa trên các quy tắc đơn giản và không dựa trên bất kỳ cấu trúc
điều khiển tập trung [4] , nhiều meta-heuristics lấy cảm hứng từ các hệ thống sinh học đã
được được giới thiệu bởi các nhà khoa học trong hai thập kỷ qua. Beni và Wang [5]giới
thiệu các biểu hiện của Swarm Intelligence (SI) trong nghiên cứu của họ về các hệ thống
robot di động vào năm 1993. Khái niệm về SI được sử dụng trong công việc trên Artificial
Intelligence (AI). SI là một kỹ thuật tính toán thông minh dựa trên hành vi tập thể của các
hệ thống phi tập trung, phân cấp [6] . Một hệ thống SI điển hình được tạo thành từ một
nhóm các tác nhân đơn giản tương tác cục bộ với nhau và với môi trường xung quanh
chúng [7] . Các đại lý trong hệ thống SI tuân theo các quy tắc đơn giản và hành động mà
không có sự kiểm soát của bất kỳ thực thể tập trung nào. Tuy nhiên, các tương tác xã hội
giữa các đại lý như vậy có thể tạo ra những lợi ích to lớn và thường dẫn đến một hành vi
toàn cầu thông minh. Như thể hiện trong hình 1 , Kordon chỉ ra trong [6]những lợi thế
chính của việc áp dụng SI. SI có lợi thế đầy đủ của bầy đàn, do đó, nó có thể cung cấp các
giải pháp tối ưu, đảm bảo tính linh hoạt cao, linh hoạt và chi phí thấp, cho các vấn đề phức
tạp quy mô lớn mà không có thực thể điều khiển tập trung [6] . Stochastic Diffusion Search
(SDS) [8] , Tối ưu hóa Swarm Particle (PSO) [9] và Ant Colony Optimization
(ACO) [10] là một số siêu chẩn đoán nổi tiếng trong lĩnh vực SI. Các thuật toán ACO đã
thu hút rất nhiều sự chú ý như là một mô hình thiết kế cho các phương pháp tiếp cận mới
duy trì và tối ưu hóa định tuyến trong các mạng ad hoc tự tổ chức và năng động.

Trong công việc trước đây của chúng tôi [11] , chúng tôi đã khảo sát vị trí nhận thức giao
thức định tuyến ACO cho MANET, đặc biệt là cho xe Ad hoc NETworks (VANETs). Tuy
nhiên, đây chỉ là một loại đặc biệt của các giao thức định tuyến dựa trên ACO trong
MANET. Trong bài báo phân tích so sánh này, chúng tôi mở rộng phạm vi nghiên cứu của
chúng tôi và cung cấp tổng quan về các giao thức định tuyến dựa trên ACO khác nhau cho
MANET được áp dụng trong năm danh mục chính. So sánh các giao thức hiện có được
trình bày dưới dạng thiết kế giao thức và các tham số mô phỏng. Để hiểu rõ hơn về các
thuật toán ACO được áp dụng thực tế như thế nào trong các giao thức định tuyến này,
chúng tôi chọn một số tham số liên quan đến ACO cụ thể, ví dụ, các loại kiến, tăng cường
pheromone và các yếu tố bay hơi.

Phần còn lại của bài báo này được tổ chức như sau. Trong Phần II , nền tảng của siêu giám
sát ACO được trình bày. Dựa trên năm loại chính, các thuật toán định tuyến dựa trên ACO
khác nhau được trình bày trong Phần III . Một phân tích so sánh các giao thức được nghiên
cứu trong mỗi thể loại được trình bày dưới dạng các bảng khác nhau hiển thị các tham số
liên quan đến thiết kế trong Phần IV . Một phân tích so sánh tất cả các giao thức xem xét
tập trung vào các thông số mô phỏng và thảo luận chung về các vấn đề mở và hướng có
thể tương lai trong lĩnh vực giao thức định tuyến ACO dựa được đưa ra trong Mục V . Cuối
cùng, Phần VI kết thúc công việc.

PHẦN II.
Bối cảnh của ACO
A. kiến trong thiên nhiên
Kiến là loài côn trùng phổ biến bắt đầu đa dạng hóa 100 triệu năm trước [12] . Giờ đây,
hơn 8800 loài kiến đã biết [13]vẫn tồn tại trên toàn cầu. Trong tự nhiên, kiến là loại côn
trùng xã hội nổi tiếng. Kích thước của một đàn kiến có thể thay đổi từ vài chục đến hàng
triệu. Trong một thuộc địa kiến, thường có các loại khác nhau. "Người lao động" là những
con kiến phổ biến nhất có thể được tìm thấy trong bất kỳ thuộc địa nào. Họ là những phụ
nữ vô trùng nhỏ chiếm phần lớn công việc trong thuộc địa: kiếm thức ăn, duy trì và mở
rộng tổ, chăm sóc nữ hoàng và bố mẹ, và vân vân. "Queens" là những phụ nữ màu mỡ, là
những người sáng lập của tất cả các thuộc địa. Nhiệm vụ chính của nữ hoàng là đẻ
trứng. "Drone" là loài kiến đực duy nhất trong một thuộc địa và chúng chỉ tồn tại trong
mùa giao phối. Ở một số đàn kiến đặc biệt, cũng có thể có những người khác, chẳng hạn
như “lính”, lớn hơn và mạnh hơn những “công nhân” điển hình. Như tên cho thấy, “Lính”
bảo vệ thuộc địa của họ khỏi những kẻ săn mồi. Mặc dù mỗi đẳng cấp trong thuộc địa có
nhiệm vụ khác nhau, tất cả các castes làm việc cùng nhau để đảm bảo sự sống còn của
thuộc địa[14] , [15] . Nó cũng được biết rằng một con kiến không phải là rất tươi sáng,
nhưng kiến trong một thuộc địa có thể hoàn thành nhiệm vụ đáng kể, chẳng hạn như đối
phó với lũ lụt. Trong [16] các nhà nghiên cứu đã phát hiện ra rằng kiến có thể liên kết cơ
thể của chúng với các tập hợp tự xây dựng. Ví dụ, để đánh bại lũ lụt, kiến lửa có thể sử
dụng cơ thể của họ để xây dựng bè trong thời gian ngắn. Mlot et al. [17] cũng đã đo được
sức mạnh và tốc độ mà các bè kiến được xây dựng trong một nghiên cứu khác. Nó cho thấy
rằng hàng ngàn con kiến có thể tự sắp xếp lại để xây dựng một chiếc bè ổn định trong vòng
200 giây, và kiến có thể sử dụng lực gấp 400 lần trọng lượng của chúng để giữ cho bè. Quan
sát ở [17] và [18] cho thấy kiến có thể phản ứng với môi trường của chúng một cách nhanh
chóng và tồn tại trong điều kiện môi trường bất lợi.

Khác với con người, kiến hiếm khi sử dụng âm thanh hoặc thị giác để trao đổi thông tin
với nhau. Thay vào đó, kiến tạo ra chất hóa học dễ bay hơi được gọi là
pheromone. Pheromone là thành phần quan trọng trong giao tiếp của kiến. Trong khi di
chuyển xung quanh, kiến đặt pheromone qua các tuyến dọc theo đường đi và kiến sử dụng
ăng-ten của chúng để phát hiện pheromone ở khu vực xung quanh. Có nhiều loại nước hoa
pheromone khác nhau đại diện cho những từ hóa học khác nhau mà toàn bộ đàn kiến hiểu
được. Kiến phản ứng khác nhau tương ứng với loại pheromone được phát hiện. Ví dụ, để
báo động các tổ, một số loài kiến tạo ra kích thích tố bằng cách sử dụng các tuyến độc của
chúng [19]. Loại pheromone báo động này bao gồm hai thành phần: axit formic và n-
undecane. Bằng cách phát hiện pheromone báo động, kiến thợ hoặc thoát nhanh hoặc đi về
phía nguy hiểm, trong trường hợp họ là những người bảo vệ thuộc địa. Một loại pheromone
nổi tiếng khác là pheromone đường mòn. Đây là loại pheromone được sử dụng bởi kiến
trong khi tìm kiếm thức ăn. Một con kiến thức ăn cho thức ăn rời khỏi tổ của nó và chọn
ngẫu nhiên một hướng để di chuyển trên, như xa như nó không tìm thấy một đường mòn
pheromone. Nếu nó tìm thấy một, nó có một xác suất cao để đi theo đường mòn. Không có
vấn đề mà quyết định nó đã thực hiện, nó gửi tiền pheromone trên tuyến đường của nó. Một
khi nó tìm thấy thức ăn, nó trở lại tổ và củng cố đường mòn của nó. Những con kiến khác
phát hiện đường mòn của nó sẽ đi theo đường mòn với xác suất lớn và đặt nhiều pheromone
lên nó. Đây là một hệ thống vòng lặp phản hồi tích cực vì pheromone của đường mòn càng
cao thì xác suất của một con kiến cao hơn theo dấu vết. Khi thức ăn cạn kiệt, không còn
pheromone tiền gửi trên đường mòn và pheromone bắt đầu bay hơi theo thời gian. Hành vi
phản hồi tiêu cực này hỗ trợ kiến để thích ứng với môi trường năng động[20] .

B. Từ thiên nhiên đến kiến nhân tạo

Các tập hợp của kiến có các chức năng tương tự như các chức năng hiện có trong xã hội
loài người, nhưng kiến không dựa vào bất kỳ điều khiển trung tâm nào để cung cấp các
chức năng này. Do đó, việc hiểu được hệ thống kiến thức của các đàn kiến từ lâu đã là một
chủ đề hấp dẫn của nghiên cứu. Trong những năm 1980, Moyson và
Manderick [21] nghiên cứu hành vi tự tổ chức giữa các loài kiến. Goss et al. đề xuất ý
tưởng ban đầu của thuật toán tối ưu hóa thuộc địa kiến dựa trên nghiên cứu về hành vi tập
thể của kiến trong [22]. Trong tác phẩm này, tác giả đã thiết kế một thử nghiệm đơn giản,
nhưng rực rỡ: thí nghiệm cầu đôi. Trong thí nghiệm này, một tổ kiến và một nguồn thức
ăn được nối với nhau bằng một cây cầu đôi gồm hai cây cầu có độ dài khác nhau. Kết quả
của thí nghiệm cho thấy rằng con đường ngắn thu hút nhiều kiến hơn, nếu cả hai con đường
ngắn và dài được đưa ra cho kiến trong cùng một thời gian. Hơn nữa, con đường ngắn thu
hút ít kiến hơn, nếu nó được đưa ra sau khi con đường dài được theo sau bởi những con
kiến trong một thời gian. Điều này cho thấy tốc độ bay hơi pheromone kiểm soát sự cân
bằng giữa thăm dò đường dẫn và khai thác đường dẫn [20] . Dựa trên hành vi tìm kiếm
thức ăn của kiến, Dorigo [10]ban đầu đề xuất thuật toán Ant Colony Optimization (ACO),
thuật toán lấy cảm hứng từ kiến đầu tiên nhằm tìm ra một con đường tối ưu trong đồ thị,
trong luận án của mình và xuất bản nó vào năm 1992. Hợp tác với Gambardella, Dorigo đề
xuất Hệ thống Ant Colony (ACS) vào năm 1997 [23] . Kể từ đó, nghiên cứu trong lĩnh vực
này được theo sau bởi nhiều nhà khoa học khác và nhiều biến thể phổ biến của thuật toán
ACO đã được đề xuất. Bullnheimer textitet al. [24] đề xuất hệ thống Ant dựa trên Rank
vào năm 1997. Maniezzo [25] đã giới thiệu ANTS: chính xác và gần đúng quy trình tìm
kiếm cây không xác định cho bài toán bậc hai vào năm 1999. Stützle và Hoos [26] đã phát
minh ra hệ thống Ant MAX-MIN ( MMAS) vào năm 2000. Blum và Dorigo [27] đề xuất
một khuôn khổ siêu khối để tối ưu hóa các thuộc địa kiến (HC-ACO) vào năm 2004.

ACO là một trong những hướng nghiên cứu trong SI áp dụng và chúng tôi sẽ giới thiệu
thêm chi tiết của nó trong phần sau.

C. Thuật toán tối ưu hóa Ant Colony

Ant Antony Optimization (ACO) meta-heuristic thuộc lĩnh vực SI được lấy cảm hứng từ
hành vi tìm kiếm thức ăn của kiến trong tự nhiên. Trong ACO meta-heuristic, kiến nhân
tạo làm việc cùng nhau để tìm ra giải pháp tốt cho các vấn đề tối ưu hóa tổ hợp khó
khăn [28] . Nhớ lại trong trường hợp thiên nhiên, một con mồi tiền gửi pheromone trên con
đường đi của nó để đánh dấu đường mòn của nó và thông báo cho kiến khác. Khi những
con kiến tiếp theo tìm thấy một dấu vết, chúng có xác suất cao để theo dõi nó. Khi một con
kiến tiếp theo đi theo đường mòn, nó sẽ đưa ra pheromone mới trên đường đi. Kết quả là,
pheromone của đường mòn được tăng cường và nó có thể thu hút thêm kiến để làm theo. Do
đó, pheromone đại diện cho trao đổi thông tin gián tiếp giữa các kiến cá nhân.

Để áp dụng thuật toán ACO để giải quyết một vấn đề tối ưu trong đời thực, vấn đề được
xem xét trước hết cần được thể hiện theo cách mà mỗi giải pháp tiềm năng của vấn đề là
một đường dẫn trong đồ thị xây dựng [29] . Ví dụ, vấn đề làm thế nào để tìm ra con đường
tối ưu giữa tổ kiến và nguồn thực phẩm có thể được biểu diễn trong một đồ thị xây dựng
như trong Hình 2 . Do đó, vấn đề ban đầu được ánh xạ tới vấn đề mới về cách tìm đường
đi tối ưu giữa nút N và nút F.
HÌNH 2.
Một ví dụ đại diện trong khi áp dụng ACO meta-heuristic.

Xem tất cả

Sau khi tìm thấy đồ thị thi công, các ràng buộc của vấn đề cần được xác định. Trong trường
hợp này, ràng buộc là kiến chỉ có thể di chuyển trên các cung tròn kết nối các nút trong Hình
2.

Mỗi cung trong hình 2 có thể có các đường mòn pheromone liên quan và giá trị
heuristic [28] . Đường mòn pheromone đại diện cho một bộ nhớ dài hạn về quá trình tìm
kiếm kiến. Đối với mỗi điểm đến có một đường mòn pheromone riêng được gán cho
cung. Ngược lại, chỉ có một giá trị heuristic tại mỗi cung và nó là một kiến thức trước về
thể hiện vấn đề hoặc thông tin thời gian chạy được cung cấp bởi các nguồn khác. Trong
nhiều trường hợp, giá trị này là chi phí thêm vòng cung vào dung dịch đang được xây dựng.

Trong ví dụ này, việc xây dựng giải pháp rất đơn giản: mọi kiến trong biểu đồ xây dựng
này bắt đầu tại một nút N và nhắm đến cùng một nút đích F. Kiến tuân theo quy tắc quyết
định xác suất để khai thác mạng. Quy tắc xác suất này là một hàm của các đường mòn
pheromone cục bộ và thông tin heuristic, và nó cũng có thể liên quan đến bộ nhớ riêng của
kiến và các ràng buộc về vấn đề [28] .

Xem xét các giao thức định tuyến dựa trên ACO trong MANET
Kể từ cuối những năm 1990, các thuật toán lấy cảm hứng từ kiến đã được áp dụng để giải
quyết các vấn đề định tuyến trong truyền thông mạng. Đến nay, một số lượng lớn các
phương pháp như vậy tồn tại. Trong phần này, chúng tôi sẽ mô tả một số giao thức định
tuyến dựa trên ACO nổi tiếng cho MANET. Chúng tôi không chỉ bao gồm các thiết kế ban
đầu nhằm cung cấp các tuyến đường tối ưu, mà còn có các cách tiếp cận khác nhau, như
Chất lượng dịch vụ (QoS), dự trữ năng lượng, thông tin vị trí và bảo mật trong quá trình
thiết lập lộ trình. Để đưa ra một cái nhìn tổng quan tốt hơn, chúng tôi phân loại chúng thành
năm hướng chính dựa trên mục đích thiết kế của các giao thức. Hình 4 cho thấy chi tiết
phân loại của chúng tôi.

HINH 4.
Các loại giao thức định tuyến dựa trên ACO trong MANET.

Xem tất cả

A. Các giao thức định tuyến ACO cơ bản

Ban đầu, thuộc tính tối ưu hóa của các thuật toán ACO đã thu hút được nhiều sự chú ý. Lấy
cảm hứng từ nó, các nhà nghiên cứu đã được thúc đẩy để áp dụng các thuật toán ACO để
tìm các tuyến đường tối ưu cho truyền thông mạng. Có nhiều cách tiếp cận thuộc về thể
loại này. Trong tiểu mục này, chúng tôi giới thiệu những người nổi tiếng nhất theo thứ tự
thời gian.

Phần kết luận

Do tính chất tự tổ chức của MANET, định tuyến được coi là một vấn đề khó khăn. ACO
meta-heuristic trình bày một khung chung cho các giải pháp gần đúng đối với các vấn đề
tối ưu hóa NP-hard đặc biệt áp dụng cho các vấn đề động, chẳng hạn như định tuyến trong
MANET. Trong hai thập kỷ qua, các nhà nghiên cứu đã thiết kế các giao thức định tuyến
dựa trên ACO khác nhau trong MANET. Trong công việc này, chúng tôi đã nghiên cứu
các giao thức này đã được đề xuất từ năm 1998 đến nay. Chúng tôi đã sắp xếp các phương
pháp tiếp cận thành năm danh mục chính và đã xem xét ngắn gọn từng giao thức đã
chọn. Chúng tôi cũng đã trình bày một phân tích so sánh chi tiết về thiết kế giao thức và
các tham số liên quan đến mô phỏng cho tất cả các giao thức được xem xét. Bên cạnh các
đánh giá và so sánh của chúng tôi, chúng tôi cũng đã thảo luận về các vấn đề mở của các
giao thức được khảo sát. Ngoài ra, dựa trên các quan sát của chúng tôi, chúng tôi đã tóm
tắt những thay đổi về lợi ích nghiên cứu trong những năm qua và chỉ ra các hướng tương
lai hứa hẹn cho nghiên cứu trong các giao thức định tuyến dựa trên ACO. Mục tiêu chính
của công việc này là đưa ra một cái nhìn tổng quan chung về các giao thức định tuyến dựa
trên ACO hiện có cho MANET và chúng tôi hy vọng công việc này có thể khuyến khích
các nhà thiết kế giao thức tính đến các thuộc tính giao thức khác nhau được nghiên cứu cho
đến nay khi thiết kế các giao thức định tuyến dựa trên ACO mới.