يشهد مجال التصنيع الذكي (Smart Manufacturing) تحولاً جذرياً بفضل الابتكارات الحديثة في نظام تخصيص المهام. يعد تخصيص المهام من أبرز التحديات التي تواجه أنظمة التصنيع الذكي، خاصة في ظل اتخاذ القرار اللامركزي (Decentralized Decision-Making) وتزايد الأعباء الديناميكية وقيود الموارد المشتركة (Shared Resource Constraints).

في إطار التصنيع الدائري (Circular Manufacturing)، تزداد هذه التحديات تعقيداً بفعل الحاجة إلى تحقيق كفاءة تشغيلية مسنودة بالاستدامة للطاقة والموارد. ورغم وجود أبحاث سابقة تناولت الأساليب المعتمدة على التعلم (Learning-Based Approaches)، إلا أن الكثير منها ركز على قياس الأداء المطلق دون النظر إلى نتائج التخصيص الفعلي، حيث إن عملية التخصيص اللامركزي تعتمد على ترتيب الآلات المرشحة.

تقدم هذه الدراسة إطار عمل معتمد على الذكاء الاصطناعي على الحافة (Edge-AI) لتخصيص المهام بطريقة لامركزية، يرتكز على مفاوضات تعتمد على الترتيب. حيث يتم دمج ذكاء القرار الخفيف في كل آلة، مما يتيح تنسيقاً منخفض التأخير دون الحاجة إلى تحكم مركزي.

تم تطوير هذا الإطار التدريجي عبر مجموعة من الخطوات: تبدأ بخوارزمية مدروسة تأخذ بعين الاعتبار الموارد، ثم يتبعها نموذج انحدار قائم على الذكاء الاصطناعي على الحافة يوفر تقديرات محلية، وأخيراً يتبنى صياغة واعية لترتيب الأهداف تتماشى مع طبيعة خيارات الفائزين.

تقوم كل آلة بتقييم المهام الواردة مستخدمة معلومات محلية، تشمل القدرة على المعالجة وحالة الانتظار والتنافس على الموارد. وقد تم تقييم هذا الإطار من خلال محاكاة للأحداث المتقطعة (Discrete-Event Simulation) تحت سيناريوهات عالية التحميل ومواعيد نهائية دقيقة، باستخدام معايير مثل التأخير وانتهاكات الموعد النهائي والإنتاجية واستهلاك الطاقة.

أظهرت النتائج تحسنًا في التأخير والامتثال للمواعيد النهائية تحت أحمال مرتفعة وزيادة كفاءة الطاقة تحت قيود أشد، مما أدى إلى عمليات أكثر كفاءة للموارد تتماشى مع أهداف التصنيع الدائري. هذه النتائج تُبرز أهمية توافق أهداف التعلم مع هياكل اتخاذ القرار اللامركزية لتحقيق تخصيص مهام مدفوع بالمفاوضات بشكل فعّال.