en مدل سازی و بهینه سازی در طراحی سیستم های شبکه خط لوله با استفاده از الگوریتم بهینه سازی کلونی مورچه ها (ACO) این مقاله الگوریتم بهینه‌سازی کلونی مورچه‌ها (ACO) را به عنوان یک روش بهینه‌سازی پوشش می‌دهد و استفاده از مدل را در طراحی و تجزیه و تحلیل پارامترهای مختلف مربوط به سیستم‌های شبکه خط لوله نفت و گاز مورد بحث و توصیه قرار می‌دهد. این الگوریتم برای دستیابی به طول بهینه خط لوله، فشار و سرعت جریان است. الگوریتم بهینه سازی کلونی مورچه ها (ACO) قادر است حداقل مسیر را بین چندین مسیر با محدودیت های آنها پیدا کند و طول لوله را از مبدا تا مقصد کاهش دهد و می توان از آن در پالایشگاه های نفت و گاز، خطوط انتقال و توزیع استفاده کرد. نمونه نظری و ریاضی الگوریتم بهینه سازی کلونی مورچه ها (ACO) بین دو مکان حمل و محاسبه شد. طول بهینه حدود 100 سانتی متر با فشار بهینه حدود 2440 psi و دبی حدود 83*106 𝑚𝑚3/ℎ محاسبه می شود. یک مثال بر اساس نتایج متغیرهای تصادفی از 10 تا 96 کیلومتر برای نرم‌افزار متلب و 0.1 تا 1 کیلومتر برای نرم‌افزار ANTCOL به‌عنوان متغیرهای تصادفی (SV) با طول (Km) بین 14 مرحله طراحی شد که ممکن است به صورت SV-Matrix = Randi ([10 96], 14)’ and Randi ([0.1 1.5], 14) نشان داده شود. . برای هر تکرار، ماتریس‌های SV نشان داده می‌شوند که دامنه یکپارچگی متفاوت است. یک مثال بین 14 مکان با محدوده متفاوتی از محدودیت‌ها که در طول یک پروژه خط لوله رخ می‌دهد (شکل 6 به عنوان یک نمودار فرضی اولیه) برای یافتن حداقل مسیر بین مراحل برای نتیجه‌گیری محدوده بهینه فشار و نرخ جریان نفت و گاز. بر روی حداقل مسیرهای بهینه سیستم های شبکه خط لوله در نظر گرفته شد . ماتریس های SV بر اساس کد MATLAB و نرم افزار ANTCOL توسط CPU core 2 Duo “Intel” بر اساس فرمول های الگوریتم ACO استفاده می شوند. خطوط خروجی، نمودارها و نمودارهای الگوریتم ACO حداقل مسیر بهینه را بین 14 مرحله در حدود 526 کیلومتر با نقطه شروع از ایستگاه 6 و نرخ جریان بهینه 0.098106 𝑚𝑚3/ℎ نرخ جریان بهینه 1.515480*106 𝑚𝑚3/ℎ نشان دادند. داده ها، توانایی الگوریتم ACO را در یافتن مسیر بهینه با تأثیر آن بر سایر پارامترهای مهم، به ویژه در سیستم‌های شبکه خطوط لوله، خطوط توزیع و انتقال و پالایشگاه‌ها ثابت کرد. This paper covers the Ant Colony Optimisation Algorithm (ACO) as an optimisation method and discusses and recommends the utilization of the model in design and analysing of varies parameters related in the oil and gas pipeline network systems. This is to achieve the optimum length of the pipeline, pressure and flow rate. Ant Colony Optimisation Algorithm (ACO) is capable of finding minimum path between several paths with their limitations and decreases pipe lengths from the sources to their destinations. It can be used in petroleum and gas refineries, transmissions and distributions lines. The theoretical and mathematical example of Ant Colony Optimisation Algorithm (ACO) between two places were carried and calculated. Optimum length is calculated about100 cm with optimum pressure about 2440 psi and flow rate about 83*10⁶𝑚𝑚³/ℎ. An example was designed based on the random variables results from 10 to 96 km for MATLAB Software and 0.1 to 1 km for ANTCOL Software as Stochastic Variables (SV) of length (Km) between 14 stages which may show as ‘SV-Matrix = Randi ([10 96], 14)’ and Randi ([0.1 1.5], 14)”. For each iterations the SV matrixes are showed varies range of integrity. An example was assumed between 14 places with varies range of limitations which will be occurred during a pipeline project (FIG. 6 as an initially supposition graph) to find minimum path between stages to conclude optimum range of pressure and flow rate of oil and gases based on the optimum minimum paths of pipeline network systems. SV matrixes are used based on the MATLAB Code and ANTCOL software by the CPU core 2 Duo “Intel” based on the ACO algorithm formulas.  The output lines, graphs and diagrams of ACO algorithm are showed the minimum optimum path between 14 stages about 526 km with start point from station 6 and optimum flow-rate 0.09810⁶ 𝑚𝑚³/ℎ𝑟  and pressure drop about 714.638 bar while 3.631 km as minimum length with optimum flow rate 1.515480*10⁶ 𝑚𝑚³/ℎ𝑟𝑟 and pressure drop about 1192.83 bar are found by ANTCAL results. The results proved the ability of ACO algorithm to find the optimum path with its effects on the other importance parameters, especially in the pipeline network systems, distribution and transmission lines and refineries. ACO, الگوریتم بهینه سازی کلونی مورچه ها, متلب, ANTCOL ACO, Ant Colony Optimisation Algorithm, MATLAB, ANTCOL 1 17 http://sjis.srpub.org/browse.php?a_code=A-10-2-77&slc_lang=en&sid=5 Amin Nakhaei امین نخعی 1003194753284600403 1003194753284600403 Yes MSc. Petroleum & Gas Eng., University of Salford, Manchester, UK. کارشناسی ارشد مهندس نفت و گاز، دانشگاه سالفورد، منچستر، انگلستان. Faeze Soltani فائزه سلطانی 1003194753284600404 1003194753284600404 No Chemical Eng., University of Kerman, Kerman, Iran. مهندس شیمی، دانشگاه کرمان، کرمان، ایران.