شهدت الأيام الأخيرة تقدمًا ملحوظًا في مجال الذكاء الاصطناعي، حيث يتم تطبيق الخوارزميات الجينية (Genetic Algorithms) في مرحلة الاستدلال، مما يسهم في تحسين الحلول لمشاكل التحسين بشكل دوري وفعال. تختلف أدوات الطفرة (Mutation) وإعادة التركيب (Recombination) المستخدمة في هذه الخوارزميات عن تلك التي تم دراستها تقليديًا بشكل نوعي.

في هذه الأنظمة الحديثة، لم تعد الطفرات عشوائية؛ بل يتم توجيهها بواسطة خوارزميات تعلم الآلة (Machine Learning) للتأكد من أنها تسهم بتحسين الهدف المحدد. على غرار ذلك، لا تعتمد إعادة التركيب على تجميع عشوائي للحلول الأبوية، بل تقوم على أسس تستند إلى تحسين الأداء، مما يسهم في توليد حلول محسنة مستندة إلى مدخلاتها.

يتمثل التحدي هنا في أن هذه العمليات، رغم قدرتها العالية على تحسين الأهداف، تزيد من التعقيد الحاسوبي المطلوب. ولذا، نقدم نموذجاً عاماً للخوارزميات الجينية ونحدد كيفية صياغة التحسين في هذا النموذج باعتباره مشكلة تتعلق بتعقيد الاستعلام.

عند دراسة نماذج متخصصة، نجد أن بعض مشاكل التحسين تتطلب عمليات معينة من التوليد، الطفرات، وإعادة التركيب لحلها بشكل فعال. استخدمنا هنا خوارزميات نوعية دقيقة لمجموعة من المشاكل ضمن هذا الإطار، مما يظهر الدور غير التافه للتنوع في مجموعة الحلول، وهي سمة رئيسية للخوارزميات الجينية العملية في الذكاء الاصطناعي.