في عالم الذكاء الاصطناعي، تزداد أهمية نماذج اللغات الضخمة (Large Language Models) في تحويل مشاكل التحسين المعقدة إلى أكواد تنفيذية. ومع ذلك، تواجه هذه النماذج تحديات كبيرة عند التعامل مع مشكلات بحوث العمليات التي تحتوي على قيود كثيفة. إن العمليات السابقة تعتمد بشكل كبير على إشارات التوازن الموضوعي مثل الاختبارات التفاضلية والاتفاق على الإجابات، والتي يمكن أن تسمح للبرنامج بالنجاح بينما يتم إضافة قيود غير صحيحة أو حذف قيود ضرورية دون علم.

ودّعنا هذه القيود القديمة! لقد تم تقديم تقنية جديدة تُعرف باسم حقن القيود (constraint injection) التي تهدف إلى كشف العوامل المعيقة والتجاوزات عبر استخدام مقاييس عملية متاحة، حيث يمكن أن تكشف النقاط المفرطة والتجاوزات الوحيدة عن أي قيود صامتة مفقودة.

تم تطبيق هذه الاستراتيجية على مشاكل توجيه المركبات (Vehicle Routing Problems - VRPs) التي تُعد اختبارًا تمثيليًا مثاليًا لتحسينات تجمع بين القيود التشغيلية. ولتحقيق ذلك، تم تطوير نموذج جديد يُعرف بـ VRPCoder، وهو نظام متكامل يتكون من 8 مليار معلمة، قادر على تحويل سيناريوهات مشاكل توجيه المركبات من اللغة الطبيعية إلى سكربتات Gurobi.

كما تم إنشاء مجموعة معايير مُعتمدة لقياس أداء هذا النموذج تغطي 21 نوعًا مختلفًا. ونتيجة لذلك، تجاوز نموذج VRPCoder-GRPO المعيار المعتاد بنسبة 93% في النجاح المتوسط، متفوقًا على Gemini-3.1-Pro Preview في ثلاث معايير، كما سجل نسبة تفوق تسجل 28 نقطة متوسطًا مقارنةً بـ Claude-Sonnet-4.5، وتجاوز النماذج السابقة في بحوث العمليات بـ 78 نقطة.

إن نتائج هذا البحث تسلط الضوء على الدور المتزايد لتكنولوجيا الذكاء الاصطناعي في تحويل تطبيقات بحوث العمليات، مما يمهد الطريق لمستقبل أكثر فعالية في مجال حل المشكلات المعقدة.