في عالم اليوم، تعد مشاكل توجيه المركبات (Vehicle Routing Problems - 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 جديد باسم **COAgents**، وهو إطار تعاوني يعتمد على عدة وكلاء يساعد في نمذجة عملية البحث كشبكة. هذه الشبكة تمثل الحلول كنقاط (nodes)، بينما تمثل الحواف (edges) إما تحسينات محلية أو تموجات كبيرة لتنوع البحث.

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

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

أظهرت التجارب الواسعة التي أجريت على معايير CVRP وVRPTW أن **COAgents** يظل تنافسيًا مع العديد من المناهج القائمة على التعلم. ومع ذلك، فإنه يحقق تقدمًا ملحوظًا ويتجاوزها في حالات VRPTW الأكثر تحديًا، حيث يتم تقليل 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 تفاصيل الكود، يمكن الوصول إلى المستودع على GitHub. ما رأيكم في هذه التطورات المثيرة في مجال الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!