في عالم اليوم، يُعد تصميم الشبكات اللاسلكية التكتيكية تحديًا كبيرًا يتطلب حلولًا فعالة وقابلة للتطبيق عمليًا. يُبرز البحث الجديد الحاجة إلى حل المشكلات المعقدة المتعلقة بالتحسين التوافقي، حيث يعتمد التقييم الدقيق للحلول المقترحة على نماذج فيزيائية ومرورية متطورة. على الرغم من أن طرق التحسين التقليدية مثل البحث المحظور (Tabu Search) قد أثبتت فعاليتها، إلا أن التكاليف الحسابية المرتفعة تظل عقبة أمام استخدامها بشكل واسع، حيث يجب تقييم العديد من الانتقالات المحتملة في كل دورة.

تقدم هذه الورقة البحثية إطارًا جديدًا يعتمد على البيانات، يهدف إلى تحسين فعالية البحث المحظور من خلال تعلم توجيه عملية اختيار الانتقالات. بدلاً من تغيير الهيكلية المجاورة، يستفيد هذا الأسلوب من المعلومات المستخرجة من المسارات البحثية أثناء عملية التحسين. في كل دورة، يتم تسجيل التحولات المعتمدة على الحواف، سواء كانت محبّذة أو غير محبّذة، مع مجموعة من الميزات الوصفية التي تعكس خصائص الشِبكات الهيكلية والهندسية وأداءها.

تُستخدم هذه المعلومات في تدريب شبكة عصبية رسومية (Graph Neural Network) تتنبأ بتأثير الانتقالات المحتملة على الدالة الهدف. يتم دمج النموذج المدرب في خوارزمية البحث المحظور لترتيب التحولات المحتملة وفقًا لجودتها المتوقعة، مما يؤدي إلى تقليل عدد تقييمات الهدف المكلفة مع الحفاظ على استكشاف فعّال لمساحة البحث.

تظهر النتائج التجريبية على مجموعات المعايير الاصطناعية أن البحث المحظور المدعوم بالتعلم العميق يقلل بشكل ملحوظ من وقت الحساب، بينما ينتج باستمرار حلولًا ذات جودة أعلى مقارنة بالخوارزمية القياسية. تعكس هذه النتائج الإمكانية الكبيرة لدمج التعلم الآلي مع طرق التحسين، مما يمهد الطريق لأساليب حل أكثر كفاءة لمشكلات تصميم الشبكات واسعة النطاق.