Il processo di smontaggio: confronto tra algoritmi di ottimizzazione ispirati alla natura

4 
 
INTRODUZIONE 
L’attenzione all’ambiente e all’impatto ambientale dei prodotti ha portato negli ultimi 
anni a prestare grande attenzione all’utilizzo di differenti metodologie di progettazione 
del prodotto che tengano conto di tutte le fasi del suo ciclo di vita con particolare 
attenzione alla fase di fine vita (End Of Life). In questo contesto, l’operazione di 
disassemblaggio risulta fondamentale per il recupero delle risorse a fine vita, ed ha 
anche grande importanza per le strategie di estensione della vita di utilizzo del prodotto. 
Fino ad oggi la filosofia di sviluppo dei nuovi prodotti veniva riassunta dalla frase 
“from cradle to gate” . 
Giunto al proprio fine vita, il prodotto potrà essere: 
 riutilizzato nei processi produttivi (totalmente o in parte); 
 essere scomposto in materiali componenti che possono essere riciclati per la 
produzione dello stesso tipo o di altri prodotti; 
 essere utilizzato a fini di recupero energetico (termovalorizzazione); 
 essere smaltito in discarica. 
Ultimamente si sta diffondendo anche l’espressione “from cradle to grave” ovvero 
“dalla culla alla tomba” che pone l’accento sulla rivalorizzazione del prodotto a fine vita 
sotto forma di rientro in circolo dei materiali riciclati. 
L’obiettivo di questo lavoro consiste nello sviluppo di una metodologia innovativa di 
analisi del processo di smontaggio di un prodotto, mirato alla ricerca della sequenza 
ottimale, che minimizzi i costi  e i tempi complessivi del processo.  
In questo lavoro viene prestata molta attenzione agli algoritmi di ottimizzazione ispirati 
alla natura, in particolare agli algoritmi ACO (Ant Colony Optimization), GENETICO e 
BCO (Bees Colony Optimization), ritenuti di notevole potenza per applicazioni 
concernenti la determinazione di sequenze ottimali di smontaggio. Le procedure utili 
all’applicazione degli algoritmi sono state implementate in ambiente Matlab, un 
software che, grazie alla sua capacità di lavorare su matrici, ha consentito di individuare 
le sequenze ottimali di smontaggio in breve tempo e con un buon numero di parametri 
personalizzabili.
5 
 
Il primo obiettivo è stato quello di verificare le potenzialità e l’efficienza degli algoritmi 
progettati, attraverso l’applicazione degli stessi su un caso semplice, il disassemblaggio 
di un controllo pneumatico. Trattandosi di un assemblato di piccole dimensioni, è stato 
possibile verificare i risultati ottenuti dagli algoritmi e dimostrare l’effettiva capacità 
degli  stessi di individuare la soluzione migliore. Gli algoritmi sono stati quindi 
applicati a  diversi casi reali: il disassemblaggio di una macchina da caffè,  di un 
tostapane e una cassa audio per pc, quindi, elettrodomestici comuni e largamente 
utilizzati, di cui una corretta gestione del ciclo del recupero garantirebbe significative 
valenze ambientali: si evita la dispersione nell’ambiente di sostanze pericolose e si 
ottengono risparmi notevoli sia in termini di estrazione di materie prime che di energia. 
Nella seconda parte di questo lavoro di tesi viene presentato un confronto tra i tre 
algoritmi utilizzati nei diversi casi studio evidenziando le potenzialità di ciascuno di essi 
e la loro adattabilità ai problemi considerati, adattabilità che è possibile estendere a tutti 
o quasi i prodotti attualmente in commercio.  
Gli strumenti sviluppati, se opportunamente integrati nel processo progettuale, 
consentirebbero di ottimizzare le scelte progettuali per migliorare la velocità e facilità di 
disassemblaggio, in accordo con le più comuni linee guida del Design for Disassembly. 
E’ stato pertanto possibile analizzare i risultati ottenuti dall’applicazione di questi 
modelli matematici, nell’ottica della pianificazione del processo di disassemblaggio di 
prodotti complessi, al fine di utilizzare tali strumenti come importante fonte di 
vantaggio competitivo e come fondamentale leva strategica nella gestione del recupero 
dei prodotti a fine vita. 
L’ottimizzazione dei processi di smontaggio resta comunque un importante e 
promettente campo di ricerca, che vedrà ancora notevoli approfondimenti e studi negli 
anni futuri, in modo particolare sui metodi di ottimizzazione ispirati alla natura.
6 
 
1 IL PROCESSO DI SMONTAGGIO 
La pianificazione del processo di disassemblaggio include tutti i problemi relativi al 
processo di disassemblaggio di un prodotto che sono articolati su differenti livelli di 
analisi, partendo da un grafico o da una rappresentazione matematica degli assemblati, 
giungendo alla generazione e ottimizzazione della sequenza di disassemblaggio. 
In una prospettiva più ampia, questi aspetti potrebbero essere combinati con l’analisi del 
livello ottimo di disassemblaggio, ossia il livello di disassemblaggio che soddisfa le 
necessità e che rende vantaggioso sostenere i costi del processo stesso. Infatti, le parti o 
sotto - assemblati, spesso, possono essere venduti per il riutilizzo oppure come rottami, 
a seconda della domanda del mercato. Per ogni componente in un assemblato, vi è una 
diversa aspettativa di fine vita: nei prodotti meccanici, le parti in movimento, per 
esempio, sono note per avere una più alta probabilità di rottura e la necessità di 
frequenti sostituzioni. Al contrario, moderni componenti elettronici tendono ad avere 
una maggiore durata e possono essere riutilizzati in altri prodotti. 
La sequenza di smontaggio è il motore principale di questo sistema di pianificazione 
perché ha un grande impatto su efficienza e costi. Man mano che un prodotto diventa 
più complesso, il compito di programmazione diventa più difficile. E 'ovvio che i 
produttori ecologicamente responsabili devono prendere in considerazione il costo di 
danno ambientale: è questo che rende il riutilizzo dei componenti e delle parti, nella 
fabbricazione del nuovo prodotto, economicamente accettabile. 
Le finalità, quindi, del disassemblaggio, nell’ottica della tutela ambientale, sono 
riassumibili come segue: 
 recupero di parti, componenti e sotto - assemblati riutilizzabili in nuovi prodotti; 
 recupero di materiali riciclabili; 
 rimozione di componenti o materiali pericolosi o tossici; 
 accessibilità a parti o componenti che possono essere soggette ad operazioni di 
servizio (riparazione, manutenzione, diagnostica).
7 
 
Un disassemblaggio eccessivamente difficoltoso comporterebbe costi troppo elevati, e 
questo potrebbe fortemente condizionare la convenienza del recupero a fine vita del 
prodotto, e, quindi, la reale fattibilità. 
La funzione del profitto del disassemblaggio è fortemente influenzata dall’efficienza di 
tale processo, che se accuratamente pianificato può consentire di: 
 ridurre i tempi e i costi delle operazioni di disassemblaggio; 
 selezionare il completamento delle operazioni di disassemblaggio più 
appropriate ed evitare quelle più superflue e meno convenienti. 
La funzione del profitto dipende anche fortemente dalle caratteristiche geometriche del 
prodotto, che possono favorire l’efficienza delle sequenze di smontaggio, attraverso 
un’architettura del prodotto e proprietà dei componenti volte a facilitarlo. 
 
 
Figura 1- schema processo di smontaggio
8 
 
Per quanto riguarda il processo di smontaggio e le sue caratteristiche la letteratura 
scientifica presenta numerosi spunti di riflessione e presta particolare attenzione ai 
processi di recupero dei prodotti giunti a fine vita (EOL) in modo da recuperare più 
valore possibile da questi prodotti evitando e riducendo la produzione di rifiuti 
industriali. Le pubblicazioni più recenti relative a questo argomento riguardano appunto 
i processi di recupero dei prodotti, l’individuazione delle sequenze ottimali di 
smontaggio con particolari attenzioni ai costi dello stesso e le tecniche di gestione del 
processo nel suo insieme. 
L’ articolo [1] tratta di problemi relativi alla progettazione ottimale e dei processi di 
recupero dei prodotti a fine vita (End Of Life) con particolare attenzione al 
disassemblaggio degli stessi. L’obiettivo è quello di recuperare quanto più valore 
economico ed ecologico possibile e ridurre la quantità totale di rifiuti prodotti. In questo 
contesto viene utilizzato un nuovo algoritmo in due fasi per la reverse engineering e 
riprogettazione dei prodotti. Nella prima fase viene proposta un’analisi di 
programmazione multi-criteria per l’identificazione e la selezione ottimale dei sotto-
assemblati e dei componenti destinati al recupero da un insieme di differenti prodotti 
giunti a fine vita. Nella seconda fase viene utilizzata una programmazione lineare di 
tipo multi-prodotto che ottimizza i processi di recupero considerando i tempi di 
smontaggio e i lead-times aziendali. Tuttavia per risolvere o limitare il problema 
dell’incertezza delle soluzioni si utilizza inoltre una metodologia di analisi basata su 
simulazioni. Questo approccio è utilizzato a supporto di decisioni gestionali di medio 
livello. 
 
Nell’articolo [2] l’autore presenta e sperimenta diverse metodologie per il concurrent 
engineering osservando le operazioni e i processi di smontaggio da una prospettiva 
globale. Viene introdotto in questo articolo il DFMA  che sfrutta tutte le considerazioni 
fatte riguardo a mix di prodotto, configurazione di processi e costi di set-up per 
giungere ad una progettazione ottimale e globale del processo di smontaggio. Questo 
metodo è anche utilizzabile per valutare la capacità produttiva e pianificare 
l’accoppiamento di elementi complessi. Le soluzioni vengono inoltre esaminate 
variando costi, livelli di produttività e configurazioni di prodotto differenti.
9 
 
La pianificazione del disassemblaggio ha acquisito nel corso degli anni notevole 
importanza nell’ambito della rivalorizzazione dei prodotti giunti a fine vita e nella 
riduzione dei rifiuti industriali. La sequenza ottimale di disassemblaggio va valutata per 
ogni prodotto riutilizzabile o per il quale si presuppone che sia destinato al riutilizzo o al 
riciclo. In questo articolo [3] viene descritta una metodologia inversa di analisi basata su 
quella creata da Nevins e Whitney. Nella nuova tecnologia la generazione delle 
sequenze e la selezione delle parti da recuperare viene effettuata con l’utilizzo di un 
software speciale. 
 
L’individuazione della sequenza ottimale di smontaggio per un dato prodotto può 
procedere attraverso la programmazione matematica, basata sui grafici AND/OR,  
oppure analizzando i processi tecnologici di smontaggio. L’articolo [4] descrive diversi 
metodi di ottimizzazione basati sui costi dipendenti dalle diverse sequenze di 
smontaggio. I metodi utilizzati precedentemente erano basati su euristiche o meta-
euristiche, quindi trattavano problemi di  tipo combinatorio non considerando 
minimamente i costi e i tempi associati al posizionamento di un componente prima o 
dopo un altro componente. I nuovi metodi di ottimizzazione combinano queste tecniche 
alla programmazione lineare e alla programmazione binaria in modo da poter 
considerare diverse situazioni aziendali e applicare le tecniche a qualsiasi processo di 
smontaggio. Il metodo dimostra inoltre che le iterazioni da eseguire per ottenere la 
sequenza ottimale di smontaggio sono molto poche, pertanto il tempo di CPU 
necessario per l’esecuzione dell’algoritmo è molto ridotto.
10 
 
2 TECNICHE DI OTTIMIZZAZIONE ISPIRATE ALLA 
NATURA 
 
 
Molti problemi di ottimizzazione di tipo multi variabile non possono essere risolti con i 
classici metodi in tempi computazionali ridotti. La progettazione di sistemi 
hardware/software complessi, la determinazione di strutture atomiche delle proteine, 
l’ottimizzazione dei parametri di funzioni potenziali, la schedulazione della produzione, 
la pianificazione di un ciclo di produzione sono solo alcuni esempi di possibili 
applicazioni ingegneristiche dove due o più funzioni obiettivo devono essere ottimizzate 
simultaneamente. 
Questo ha portato a generare algoritmi capaci di trovare soluzioni quasi ottime in tempi 
computazionali ragionevoli. 
Gli algoritmi di ottimizzazione ispirati alla natura mimano i metodi, esistenti in natura, 
per guidare una ricerca verso la soluzione ottima. Una differenza tra questa categoria di 
algoritmi e gli algoritmi di ricerca diretta è l’utilizzo, nei primi, di una popolazione di 
soluzioni per ogni iterazione invece di una singola soluzione.  
Durante ogni ciclo dell’algoritmo, una popolazione di soluzioni viene processata e 
trasformata, producendo come risultato una nuova popolazione di soluzioni. 
Se un problema di ottimizzazione ha un singolo ottimo, si può prevedere che i membri 
della popolazione convergano a tale soluzione di ottimo. Tuttavia, se un problema 
prevede più soluzioni di ottimo, un algoritmo ispirato alla natura può essere usato per 
catturare tali soluzioni di ottimo nella popolazione finale. 
In questa categoria di algoritmi rientrano: 
 Simulated Annealing; 
 algoritmo di ottimizzazione dello sciame di particelle, Particle Swarm 
Optimization (PSO);
11 
 
 algoritmo di ottimizzazione della colonia di formiche, Ant Colony Optimization 
(ACO); 
 algoritmo genetico, Genetic Algorithm (GA); 
 algoritmo di ottimizzazione della colonia di api, Bees Colony Optimization 
(BCO). 
Tutti questi metodi, differenti tra loro, hanno una strategia in comune: generare 
variazioni di soluzioni già create. Alcuni metodi ricorrono a criteri “avidi” per decidere 
quali soluzioni generate conservare. Tale criterio porta ad accettare una nuova soluzione 
se e soltanto se questa comporta un incremento del valore della funzione obiettivo 
(assumendo che il problema di ottimizzazione sia di massimizzazione).  
 
 
2.1 SIMULATED ANNEALING 
Il Simulated Annealing (SA) è divenuto negli ultimi anni una euristica ampiamente 
discussa. Le applicazioni più diffuse del SA sono su problemi combinatori, in 
particolare su problemi di scheduling. In particolare nell’ambito dello scheduling di 
processi industriali su macchine si hanno varie applicazioni da problemi con tempi di 
settaggio dipendenti dalla sequenza di montaggio a problemi di tipo flow shop. 
Il SA è nato come metodo di simulazione del processo di  tempra (annealing) dei solidi.  
L’annealing [5] è il processo con il quale un solido, portato allo stato fluido, mediante 
riscaldamento ad alte temperature, viene riportato di nuovo allo stato solido o 
cristallino, a temperature basse, controllando e riducendo gradualmente la temperatura. 
Ad alte temperature, gli atomi nel sistema si trovano in uno stato altamente disordinato 
e quindi l’energia del sistema è elevata. Per portare tali atomi in una configurazione 
cristallina altamente ordinata (statisticamente), deve essere abbassata la temperatura 
del sistema. Riduzioni veloci della temperatura possono causare difettosità nel reticolo 
cristallino con conseguente meta-stabilità, con fessurazioni e fratture del reticolo stesso 
(stress termico). L’annealing evita questo fenomeno procedendo ad un graduale 
raffreddamento del sistema, portandolo ad una struttura globalmente ottima stabile.
12 
 
La determinazione di un appropriato criterio di interruzione è un fattore critico per il 
successo del SA. Il processo di annealing converge ad un ottimo globale se la 
temperatura è sufficientemente ridotta in modo graduale. Al fine di evitare un eccessivo 
tempo di calcolo, ciò che viene usualmente fatto è di interrompere il processo quando il 
numero di soluzioni accettate ad un certo stadio è inferiore ad un valore fissato. In tal 
caso ci si può aspettare una soluzione prossima all’ottimo globale. Eventualmente, per 
affinare o verificare la bontà della soluzione ottenuta, è possibile utilizzare dei metodi di 
ricerca locale. 
Anche la generazione delle soluzioni rappresenta un punto cardine per la velocità di 
calcolo dell’algoritmo SA. È necessario che la procedura di generazione, detta anche 
perturbazione, sia il più veloce possibile;il numero elevato di transizioni per ogni stadio 
di temperatura, se associato ad un elevato tempo di generazione di soluzioni candidato, 
porterebbe sicuramente ad un aumento esponenziale del tempo di calcolo. 
 
 
2.2 PARTICLE SWARM OPTIMIZATION 
L’algoritmo di Particle Swarm Optimization [6] ( PSO ), dal momento della sua 
pubblicazione nel 1995, è stato impiegato per risolvere numerosi problemi di 
ottimizzazione. La semplicità del concetto che ne è alla base, unita alla capacità di 
adattarsi con successo ai vari problemi a cui veniva applicato, ha attirato nel corso degli 
anni una sempre crescente attenzione da parte della scienza. Le origini del PSO 
affondano le loro radici nello studio dei comportamenti sociali che regolano i 
movimenti e le dinamiche di gruppi di animali ( stormi di uccelli, banchi di pesci, 
sciami di insetti, ecc ). 
L’aspetto più interessante di questi studi va ricercato nel fatto che l’insieme di individui 
si muove e si organizza in assenza di un controllo centralizzato. In altre parole, il 
comportamento collettivo è il risultato di semplici interazioni locali e il singolo 
individuo non è dotato di percezione globale. 
Questo fa si che, anche con un numero non troppo elevato di particelle, si riescano ad 
esaminare dati di grandi dimensioni, per poi concentrarsi su una zona specifica, dove 
una o più delle particelle hanno trovato un possibile target secondo le specifiche 
particolari della funzione di fitness.
13 
 
Da questa semplice descrizione di come opera l’algoritmo, è semplice capire perché a 
questo tipo di ottimizzazione sia stato dato l’appellativo di “swarm” ( propriamente in 
italiano “sciame” ).Tale parola è stata scelta in virtù del comportamento tenuto dai vari 
elementi della simulazione, il cui movimento caotico sembra molto simile a quello di 
uno sciame di insetti in cerca di fonti di sostentamento.  
Chiarita la correttezza dell’appellativo “Swarm Optimization”, resta ancora da spiegare 
perché sia stato ad essi anteposto il termine “Particle”. Gli agenti sono degli oggetti 
senza volume ( possono occupare la stessa posizione spaziale ) e, almeno nella versione 
originale, senza massa: questi due concetti porterebbero a classificare gli agenti come 
dei punti e non come delle particelle. Gli agenti utilizzati sono però anche caratterizzati 
dall’avere una propria velocità ed accelerazione,due attributi questi strettamente legati 
al concetto di particella. Per tale motivo gli autori scelsero di battezzare il proprio 
algoritmo come Particle Swarm Optimization. 
Negli ultimi anni, come si può notare dai numerosi articoli presenti nella letteratura 
scientifica recente, è sempre più crescente l’interesse per quella che viene chiamata 
Swarm Intelligence (intelligenza dello sciame) da cui prendono spunto algoritmi come 
l’ACO e il BCO.  
 
La qualità di un prodotto dipende dalla qualità degli accoppiamenti delle parti di cui è 
composto. Quando le parti assemblate sono intercambiabili, le variazioni nel 
disassemblaggio possono essere calcolate come la somma delle tolleranze dei 
componenti. Se le variazioni sono minori della somma delle tolleranze, l’unica 
soluzione è l’assemblaggio selettivo. Nell’articolo [6] la selezione delle sequenze 
ottimali di assemblaggio si effettua utilizzando la Particle Swarm Optimization. 
L’algoritmo proposto è stato dimostrato per un assemblaggio lineare costituiti di 3 
componenti aventi simili dimensioni e proprietà tecnologiche. La variazione di 
assemblaggio ottenuta con i metodi precedenti è pari a 37 μm; utilizzando l’algoritmo 
PSO si ottiene una riduzione della variazione fino a 7,2 μm.  Le considerazioni su 
questo algoritmo valgono anche per problemi di ottimizzazione con un numero di 
componenti maggiore.
14 
 
2.3 ANT COLONY OPTIMIZATION 
Uno dei più affascinanti fenomeni di organizzazione osservabili in natura è una colonia 
di formiche: sono dappertutto, se c’e’ un panino incustodito lo trovano in poco tempo, 
in ancora meno tempo lo hanno ricoperto e a fine picnic non ce n'è più traccia. Per 
quanto piccole siano, le formiche trovano sempre la via più breve e più agevole per 
ritornare a casa. L’algoritmo che formalizza il comportamento delle formiche prende il 
nome di Ant Colony Optimization [7] (ACO) ed è stato introdotto nel 1992 da Marco 
Dorigo del Politecnico di Milano. L’argomento presenta un numero impressionate di 
technical paper, che oltre a descriverlo ed espanderlo, ne formalizzano le più comuni 
applicazioni pratiche. 
L’euristica ACO è applicata a problemi di ottimizzazione discreta. Innanzitutto 
definiamo l’ambiente in cui le formiche operano: esse si muovono su un grafo con un 
numero finito di nodi. Per capire dove le formiche si trovano in un dato istante useremo 
il concetto di stato – mentre per valutare globalmente cosa fanno definiremo cos’è una 
soluzione ammissibile. 
 
 C = { , ,…. } è un insieme finito di nodi 
 L = { | ( , ϵ C} è un insieme finito di rami – l’insieme delle possibili 
connessioni (o transizioni) fra gli elementi di C 
  = J( ,t) è il costo associato al ramo  – normalmente è dato dal tempo 
impiegato per percorrerlo 
 Ω = Ω(C,L,t) è un insieme finito di vincoli assegnati sugli elementi di C ed L 
 s = ( , …, ,…) è una sequenza di elementi appartenenti a C ed s è chiamato 
stato e rappresenta i nodi che una formica ha visitato nell’ordine in cui 
compaiono nella sequenza. 
Lo stato è la “memoria” che la formica ha del suo viaggio.
15 
 
 Sia S l’insieme di tutte le possibili sequenze, allora definiamo il suo sottoinsieme 
composto da tutte le sequenze s che sono stati ammissibili rispetto ai vincoli Ω . 
La lunghezza della sequenza s è espressa come |s|. 
 Dati due stati =( , .. ) e =( , .. , +1) si dice che lo stato  è 
raggiungibile dallo stato  se esiste un +1 ϵ L tale che risulti 
=( , +1). L’insieme degli stati raggiungibili in uno solo passo a partire 
dallo stato s si identifica con   
 Ψ si definisce soluzione se è uno stato appartenete ad “s” e soddisfa tutti i 
requisiti del problema, come ad esempio una soglia minima da superare 
  JΨ(L,t) è il costo associato alla soluzione Ψ con il quale ne valutiamo l’ottimo 
 
Nel caso del commesso viaggiatore, C è l’insieme delle città, L l’insieme della rete 
stradale che le collega e la soluzione Ψ è un circuito Hamiltoniano a cui è associato un 
costo JΨ(L,t). 
Dopo aver definito l’ambiente vediamo come si comporta la colonia di formiche. Le 
formiche operano esplorando il grafo: esse scelgono i vari archi da percorrere secondo 
una logica descritta più avanti. Le formiche sono completamente indipendenti tra di loro 
e per scambiarsi informazioni sulla “bontà” dei percorsi trovati usano scie di feromoni 
che depositano sui rami percorsi. Dato un ramo , si indica con  la scia di feromoni 
associata. Inoltre si può associare ad ogni ramo un valore euristico  che influenzerà la 
scelta del percorso da parte delle formiche. Il valore euristico può essere inserito sia 
all’inizio sul grafo, sia durante il processo di ottimizzazione. 
Le formiche si comportano nel seguente modo: 
 Cercano la soluzione di costo minore min(JΨ(L,t)) 
 Una formica k ha una memoria  che usa per salvare informazioni sul percorso 
che ha seguito. La memoria serve per costruire soluzioni ammissibili, valutarle e 
ricostruire il percorso fatto all’indietro
16 
 
 Una formica k nello stato =(s, )=(s,i) può andare in ogni nodo cj che 
appartiene all’insieme   degli stati raggiungibili dal nodo i 
 La scelta del nodo in cui andare viene fatta in base a regole probabilistiche, che 
si trovano in ogni nodo come ant routing table =[ ]. La ant routing table è 
una funzione delle scie di feromoni  , dei valori euristici , del percorso che 
la formica ha fatto per arrivare fino a questo nodo ( ) e dai vincoli del 
problema 
 Ogni formica può nascere con uno stato di partenza  start ed avere una o più 
condizioni di morte  
 Le formiche esplorano continuamente il grafo costruendo in maniera 
incrementale una soluzione fino a quando per almeno una formica non sono 
verificate le condizioni di morte 
 Una formica può emettere una scia di feromoni mentre esplora il grafo: questa 
procedura si definisce aggiornamento attivo passo per passo di feromoni 
 Alternativamente una formica può esplorare il grafo, trovare una soluzione e poi 
depositare i feromoni seguendo il percorso inverso. Questa procedura prende il 
nome di aggiornamento attivo ritardato di feromoni 
 
 
Le formiche esplorano un grafo muovendosi asincronamente: la scelta del percorso la 
fanno in base ai risultati di un processo stocastico, che è definito tramite informazioni 
locali ad ogni nodo contenute nella ant routing table. Pur essendo le formiche 
sufficientemente complesse da trovare singolarmente una soluzione, una buona 
soluzione è trovata solo grazie ai risultati collettivi di tutte le formiche. Ogni formica fa 
uso solo di informazioni private (la sua memoria) e di informazioni locali (ant routing 
table). Per comunicare fra di loro le formiche leggono e scrivono scie di feromoni: 
quando una formica trova una soluzione, la valuta e deposita la sua valutazione nella 
scia sul percorso che ha seguito.