پارامتر موثری که جستجوی تابو در الگوریتم مورچگان دارد nTrial می باشد. nTrial تعداد ازمایش های انجام شده در فاز جستجوی تابو است. نتایج نشان داده است که تعداد ازمایش با اندازه ۱۰۰۰این اجازه را می دهد تا این الگوریتم جستجو بهترین نتیجه را داشته باشد.
روش دیگری نیز در مقاله [۱۲] با ترکیب الگوریتم ژنتیک و جستجوی محلی ارائه شده است.
۳-۳- در اختیار گرفتن منابع در پردازش شبکه ای به وسیله الگوریتم یادگیری تقویتی
روش یادگیری تقویتی در بهبود بسیاری از مسایل در پردازش شبکه ای استفاده شده است[۱۳,۱۴]. یکی از مسایل مهم در پردازش شبکه ای نحوه در اختیار گرفتن منابع مانند پردازنده, پهنای باند شبکه و غیره به صورت مفید و سودمند می باشد. با توجه به این نکته که وجود یک کنترل کننده مرکزی نمی تواند سودمند باشد و منابع به صورت پویا در شبکه حضور دارند یا ندارند. به همین کنترل در این سیستم ها را به صورت توزیع شده قرار می دهند. در این روش یک سیستم به صورت مجموعه زیادی از عامل های ناهمگون یادگیرنده در نظر گرفته می شود. همچنین این عامل ها در صورت نیاز منابع خود را نیز با یکدیگر به اشتراک می گذارند. در این پژوهش برای سادگی مساله تنها منبع مورد نیاز برای پردازش را پردازنده درنظر گرفته است[۱۵].

منابع بر اساس سرعت پردازش شان شناخته می شوند. همچنین در این سیستم قابلیت اجرای چند کار را با هم دارد. در شکل ۳-۳ ساختار کلی سیستم نشان داده شده است.

شکل ۳-۳٫ نمایش سناریو کلی برای زمان بندی کارها به صورت چند عامله در پردازش شبکه ای

هر عامل دارای یک مقدار Qمی باشد که بیانگر کارایی ان در گذشته بوده است. در ابتدا عامل ها به صورت رندوم و غیر قطعی کارهای خود را انتخاب می کنند. سپس برای هر کار جدید, عامل ها بر اساس الگوریتم حریصانه, منبعی که بیش ترین Q را دارد انتخاب می کنند. تابع ارزیابی مقدار Q به در رابطه ۳-۲ می باشد :
(۳-۲) 
قابل ذکر است که سیاستی که بر روی انتخاب منابع قرار دارد نیز بسیار تاثیر گذار است. اگر در این سیستم منابعی که دارای حافظه زیاد باشند در اولویت باشند انگاه ممکن است که کارایی سیستم نسبت به حالتی که سرعت پردازنده مهم است کمتر باشد.
۳-۴- روش‌تجربی مورچگان به وسیله تخصیص منابع با روش‌اشتراک‌زمانی در پردازش شبکه‌ای
مراحل اصلی در این روش[۱۶] به شرح زیر است:
۱- برای هر منبع جدیدی که در سرور های اطلاعاتی قرار می گیرد فرمول آن با رابطه (۳-۳) حساب می شود(با فرض اینکه تعداد کارها A و این مجموعه کارها در لیستی به نام T قرار داشته باشد. تعداد منابع نیز برابر است با Q) :
I_p(0) = (N*M) + Communication speed (3-3)
که I_p (۰) مقدار اولیه فرمون می باشد. N تعداد عناصر پردازنده است. M نرخ پردازشی عناصر پردازنده است.

1. 1. مراحل ۳ تا ۶ را تکرار کن تا مجموعه Tبرابر با تهی شود.

1. 1. انتخاب کار t از مجموعه کارهای T

1. 1. مشخص کردن منبع R_j برای کار t که دارای احتمال بالاتر برای انجام می باشد. احتمال انتخاب این منابع از رابطه (۳-۴) محاسبه می شود :

(۳-۴) 
در این فرمول j و r منابع در دسترس می باشند.
rc هزینه استفاده از منابع می باشد.
C_p(t)اشاره به مقدار فرمون منبع دارد.

1. 1. زمان بندی کار t برای منبع R_j و حذف ان از لیست T

۵- به روز رسانی فرمون. برای هر منبع r_j یک فرمون با توجه به رابطه ۳-۵ زیر اختصاص می یابد :
Cp_j^New = pd*Cp_j^old + Δ_j (۳-۵)
Δ_j = -c C =میزان دشواری کار
۳-۵- پیک روش حراج دو طرفه پیوسته به منظور در اختیار گذاشتن منابع در پردازش شبکه‌ای
در این روش دو عامل مهم وجود دارد. منابع که به عنوان فراهم کنندگان در نظر گرفته می شوند و همچنین کاربرها هم عامل های خریدکننده می باشند[۱۷]. هر کدام از عامل های فراهم اورنده منبع بر اساس دو عامل هزینه لازم را پیشنهاد می دهند :

• • حجم کار

• • توان پردازشی

عامل های خریدکننده نیز بر اساس دو عامل زیر هزینه ای را که می خواهند پرداخت کنند ارزیابی می کنند :

• • زمان باقی مانده برای دادن پیشنهاد

• • تعداد منابع باقی مانده

عناصر اصلی این مساله تعداد منابع (m), تعداد کاربر(k)و تعداد کارها(n) است.
مالکان منابع در این روش قابلیت همکاری با یکدیگر را دارند. در هر زمان نیز تنها می توانند یک کار را انجام بدهند و از روش First In First Outبه منظور بررسی درخواست ها استفاده می کند.
در شکل ۳-۴ چگونگی زمان بندی در این روش نمایش داده شده است.
شکل ۳-۴٫ نحوه زمان بندی در روش FIFO
رابطه (۳-۶) برای محاسبه مقدار پیشنهادی کاربر مورد استفاده قرار می گیرد :
(۳-۶) 

α بین مقدار ۰٫۰۱ و ۱۰۰ می باشد. r_min حداقل هزینه مورد نظر برای در اختیار گرفتن منبع, N^t_i تعداد منابع باقی مانده در زمان t برای کار J_i و همچنین این نکته قابل ذکر است که در این فرمول اگر ۱>α مشتری ها کمترین هزینه را نشان می دهند تا تعداد منابع به صفر گرایش پیدا کند و به ازای ۱<α مشتری ها (خریدار) پیشنهاد های خود را با هزینه نزدیک به _iφ ارائه می دهند.
۳-۶- ترکیبی از الگوریتم های ژنتیک به منظور حل مساله یافتن برنده حراج در حراج دو طرفه
فرض کنید که یک حراج کننده یک مجموعه ای از عناصر را می خواهد به فروش بگذارد. خرید کنندگان برای مجموعه این عناصر درخواست خود را ارسال می کنند. حراج کنندگان نیز با در نظر گرفتن قوانین و محدودیت ها عناصر را در اختیار خریداران قرار می دهند.