إطارات تطورية مبتكرة لإنشاء معايير تحسين تلقائية بفضل نماذج اللغات الضخمة

تُعد معايير تحسين الأداء أداة حيوية لتقييم قدرة الخوارزميات في حل المشكلات المختلفة، لكن العديد من المعايير الاصطناعية الموجودة لا تتمكن من تمثيل تنوع وتعقيد بنى المشاكل الحقيقية. بل إن بناء معايير مشتقة من مشكلات واقعية غالبًا ما يكون مكلفًا وصعبًا. لمواجهة تلك التحديات، تم اقتراح إطار تطوري لإنشاء معايير تحسين تلقائية يستخدم نموذج لغة ضخم (Large Language Model) كعامل توليدي، والذي يحمل اسم مولد المعايير التطوري المدفوع بموديل اللغة (LLM-EBG).

في هذا الإطار، يعمل نموذج اللغة كعامل تطوري لتوليد وتطوير مشكلات تتعلق بالمعايير ضمن مساحة تمثيل مرنة ومعبرة. وفي دراسة حالة، تم إنشاء مشكلات ت minimization مستمرة ذات هدف واحد من دون قيود، وتم تمثيلها كتعابير رياضية تهدف إلى إحداث اختلافات كبيرة في الأداء بين خوارزمية جينية (Genetic Algorithm - GA) وخوارزمية التطور التفاضلي (Differential Evolution - DE).

أظهرت النتائج التجريبية أن LLM-EBG نجح في إنتاج مشكلات معيارية حيث تفوقت الخوارزمية المستهدفة بشكل مستمر على الخوارزمية المقارنة في أكثر من 80٪ من التجارب. علاوة على ذلك، أظهرت تحليلات استكشافية للمشهد أن المعايير التي تفضل GA حساسة جداً لتغيير متغيرات المدخلات، مما يدل على أن الإطار المقترح يمكنه توليد مشكلات تتمتع بخصائص هندسية مميزة تعكس سلوكيات البحث الأساسية لمختلف الخوارزميات.

هذا الابتكار قد يؤدي إلى تحسين الكفاءة في تقييم الخوارزميات بفضل توفير معايير أكثر تمثيلاً للواقع، ما يفتح آفاق جديدة في مجالات الذكاء الاصطناعي والتحسين.

ما رأيكم في هذه التطورات الجديدة؟ هل تعتقدون أن هذه الأساليب ستحدث تغييرًا في كيفية تحليل أداء الخوارزميات؟ شاركونا بصوتكم!