في عالم اليوم، تعد مشاكل [توجيه المركبات](/tag/[توجيه](/tag/توجيه)-المركبات) (Vehicle Routing Problems - [VRP](/tag/vrp)) من التحديات الأساسية التي تواجه العديد من الأنظمة الحياتية واللوجستية. هذه الحلول ليست فقط مهمة بل تأتي مع تعقيدات حسابية تجعلها صعبة البت في المقياس الكبير. للأسف، الطرق التقليدية تتطلب قواعد مُعدة يدويًا لتحسينات محلية، وغالبًا ما تواجه صعوبات في العموميات على مجموعة متنوعة من الحالات.

يأتي الحل مع [ابتكار](/tag/ابتكار) [جديد](/tag/جديد) باسم **COAgents**، وهو إطار تعاوني يعتمد على عدة [وكلاء](/tag/وكلاء) يساعد في [نمذجة](/tag/نمذجة) عملية [البحث](/tag/البحث) كشبكة. هذه الشبكة تمثل الحلول كنقاط (nodes)، بينما تمثل الحواف (edges) إما [تحسينات](/tag/تحسينات) محلية أو تموجات كبيرة لتنوع [البحث](/tag/البحث).

يتم إنشاء **Partial Search Graph (PSG)** بشكل ديناميكي أثناء البحث، مما يمكّن [COAgents](/tag/coagents) من [تدريب](/tag/تدريب) [وكلاء](/tag/وكلاء) مخصصين: واحد لتحديد النقاط (Node Selection Agent)، وآخر لاختيار [الحركة](/tag/الحركة) (Move Selection Agent)، ووكيل للقفزات (Jump Agent) يساعد في توسيع نطاق [البحث](/tag/البحث) إلى مناطق جديدة في الوقت المناسب.

بعكس [أساليب](/tag/أساليب) [التعلم](/tag/التعلم) الشامل، يتيح **COAgents** فصل [التحكم](/tag/التحكم) في [البحث](/tag/البحث) غير المرتبط بالمشكلة عن الترميز المحدد للمجال، مما يسهل [التكيف](/tag/التكيف) مع المهام المختلفة.

أظهرت [التجارب](/tag/التجارب) الواسعة التي أجريت على [معايير](/tag/معايير) [CVRP](/tag/cvrp) وVRPTW أن **COAgents** يظل تنافسيًا مع العديد من المناهج القائمة على [التعلم](/tag/التعلم). ومع ذلك، فإنه يحقق تقدمًا ملحوظًا ويتجاوزها في حالات VRPTW الأكثر تحديًا، حيث يتم تقليل [الفجوة](/tag/الفجوة) إلى أفضل الحلول المعروفة بنسبة 14% عند N=100 و44% عند N=50 مقارنة بأقوى حل عصبي (POMO)، وكذلك بـ21% و40% على التوالي مقارنة بـ ALNS.

لمن يرغب في [استكشاف](/tag/استكشاف) تفاصيل الكود، يمكن الوصول إلى المستودع على [GitHub](https://github.com/mahdims/COAgents). ما رأيكم في هذه التطورات المثيرة في مجال [الذكاء الاصطناعي](/tag/الذكاء-الاصطناعي)؟ شاركونا آرائكم في [التعليقات](/tag/التعليقات)!