تعد مشاكل توجيه المركبات المتعددة (CVRP) واحدة من أكبر التحديات في مجال الذكاء الاصطناعي، خاصة عندما يتعلق الأمر بحل مشاكل كبيرة تضم مئات إلى آلاف العقد. وعلى الرغم من التطورات المتعددة، لا يزال حل هذه المشاكل يتطلب مهارات وخبرة كبيرة.

لكن مع ظهور نماذج اللغة الكبيرة (Large Language Models - LLMs) كأدوات واعدة في تصميم الخوارزميات، تم إدخال نهج مبتكر لتجاوز هذه العقبات. نقدم إليكم طريقة LaF-MCTS (Flexible Monte Carlo Tree Search) المصممة بشكل خاص لتقديم حلول عالية الأداء لمشاكل CVRP الكبيرة.

تستند هذه الطريقة إلى هيكل قرارات ثلاثي المستويات يساعد على تصميم سياسات تقسيم متزايدة وتكوين حلول جزئية فعّالة. لكن ما يميز LaF-MCTS حقًا هو إدخال تقنيات مثل التقليم الدلالي (semantic pruning) لتقليل الشيفرات الزائدة، وتجديد الفروع (branch regrowth) للحفاظ على تنوع الحلول.

أثبتت التجارب التي أجريت باستخدام مكتبة CVRPLib أن هذه التقنية الجديدة لا تعمل فقط على تحسين الحلول الحالية، بل تتفوق أيضًا على العديد من الحلول الرائدة الأخرى، مما يسهل عملية حل مشاكل التوجيه المعقدة بشكل لم يسبق له مثيل. إذا كانت هذه التطورات مثيرة للاهتمام بالنسبة لكم، فما هي توقعاتكم بشأن مستقبل الذكاء الاصطناعي في تحسين مثل هذه الحلول؟ شاركونا آرائكم في التعليقات.