في عالم الذكاء الاصطناعي، تُعتبر مشاكل البائع المتجول (TSP) تحديات معقدة تستدعي حلولاً مبتكرة. تُظهر الأبحاث الحديثة أن الحلول العصبية غير التلقائية (Non-autoregressive Neural Solvers) توفر إمكانية حسابية محسّنة عبر مواقف متعددة. ومع ذلك، يتمثل التحدي في أن النماذج المدربة على حالات عشوائية من Euclidean قد تتعرض للتدهور إذا تغيّر عدد النودات أو توزيعها المكاني.

للتغلب على هذه المشكلة، تم تقديم GeoRouteNet، وهو حل عصبي مبتكر يعزز من الأداء باستخدام ميزات هندسية واضحة وطرق تدريب أكثر ثراءً تنبثق من نفس الحالة. يشتمل GeoRouteNet على تحسينات مثل:
- إزاحة وضبط النودات
- قواعد المسافات القابلة للتعلم
- الانتباه القائم على المسافة داخل الرسوم البيانية
- رسائل حافة واضحة
- مزج التمثيلات عبر الطبقات المختلفة.

واحدة من الابتكارات المثيرة في GeoRouteNet هي خوارزمية التعلم المعزز للمقارنة الذاتية متعددة المرشحين (MCS-RL)، التي تجمع عدة جولات تم أخذ عينات منها خلال التدريب، مما يحسن من فعالية النموذج. أكدت النتائج أن GeoRouteNet قد حقق نتائج استثنائية في اختبارات متعددة باستخدام مجموعة TSP-50، حيث حقق انخفاضات في الفجوات تصل إلى 0.32%، بينما أظهرت التجارب الأخرى أن الأداء ظل ثابتًا حتى مع زيادة حجم المشكلة.

تُظهر الدراسة التجريبية أن GeoRouteNet، بفضل هندسته الخارقة، أظهر تفوقاً على نماذج سابقة مثل NAR4TSP-PG، حيث كانت الفجوات المركبة أقل بكثير، مما يعكس فعالية التفكير الهندسي في تعزيز الأداء العام للنموذج.

هل تعتقد أن هذه التطورات سيحدث ثورة في مجال حلول المشاكل المعقدة؟ شاركونا آراءكم وتجاربكم في التعليقات!