تُعتبر مشكلة البائع المتجول (Traveling Salesman Problem - TSP) واحدة من أشد مشكلات التحسين تعقيدًا والتي تندرج ضمن فئة المشاكل الصعبة (NP-hard). لطالما حاول العلماء والخبراء تجاوز أبعاد هذه المشكلة من خلال استخدام الخوارزميات الجينية (Genetic Algorithms - GA). واحدة من أبرز الخوارزميات المستخدمة هي خوارزمية Edge Assembly Crossover (EAX) التي حققت أداءً رائعًا على العديد من الحالات المرجعية.

ومع ذلك، كانت هناك دوماً قيود حول كيفية تطبيق هذه الحلول على أنظمة الحوسبة المتوازية الكبيرة، حيث تتضمن عمليات التقاطع (crossover) أنماط وصول غير منتظمة للذاكرة، وتنقلات في الرسم البياني، واعتماديات متسلسلة. تعتبر الحلول الحالية المبنية على معالجة الرسوميات (GPU) محدودة، إذ تعتمد غالباً على التوازي على مستوى السكان وتقتصر على أحجام مشكلات صغيرة نسبيًا.

ومؤخراً، قدم باحثون تنفيذًا دقيقًا لمعالجة المرحلة القابلة للتقسيم من خوارزمية Generalized Partition Crossover (GPX) بمساعدة تقنيات معالجة GPU. حيث تم إعادة صياغة عملية تقسيم GPX كمشكلة متوازية باستخدام تخطيط الذاكرة المجمعة، وتحولات العُقد الشبحية، وتحليل المكونات المتصلة.

استخدمت هذه الطريقة موارد CUDA لتسريع عملية الاتحاد بين الجولات الأبوية، وتقسيم الرؤوس غير الفرعية، وحذف الحواف المشتركة، وتحديد المكونات المستعادة. كشفت التجارب عن نتائج مذهلة، حيث تمت معالجة مشكلات تتراوح من 10,000 إلى 2 مليون مدينة، مما أظهر تسارعًا كبيرًا بالمقارنة مع التنفيذ التسلسلي البسيط على وحدات المعالجة المركزية (CPU).

أظهرت النتائج أن التقسيم عبر GPU حقق تسارعًا يتراوح بين 48x و625x، بينما قلل بشكل ملحوظ من الحمل على الذاكرة. هذا يشير إلى أن التوازي على مستوى العمليات يمكن أن يحسن بشكل كبير من قابلية التوسع لخوارزميات TSP المستندة إلى الخوارزميات الجينية على الأنظمة المعمارية الحديثة متعددة النواة. في النهاية، نرى أن الابتكارات في معالجة البيانات قد تفتح آفاقًا جديدة في مجال الذكاء الاصطناعي.

ما رأيكم في هذه التطورات المثيرة في معالجة مشكلات الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!