في عالم الذكاء الاصطناعي، تُعتبر مشكلة البائع المتجول (Traveling Salesman Problem - TSP) واحدة من أكثر المسائل تحديًا ومن بين الأكثر تعقيدًا حسابيًا. وقد أظهرت الأبحاث الأخيرة أن الحلول الدقيقة لهذه المشكلة عند وجود بيانات واسعة النطاق تتطلب قوة حسابية كبيرة. لذا، يلجأ الباحثون إلى استخدام طرق تقليل الجراف لتحسين الكفاءة الحسابية.

عادةً ما تعتمد طرق التقليل التقليدية على heuristics ثابتة، مما لا يجعلها تستفيد من المعلومات الهيكلية الخاصة بالحالات الفردية. في هذا السياق، قامت مجموعة من الباحثين بتطوير تقنية جديدة تُعرف باسم "تقنية تقليم حواف الجراف" (Graph Edge Sparsification - GES)، وهي نهج يعتمد على التعلم لتحسين الحلول لمشكلة البائع المتجول في الفضاء الإقليدي.

يتميز هذا النهج بإمكانية تكامل المعلومات الهيكلية الهندسية مع تقنيات التحسين التوافقي، مما يسمح بإنشاء جراف تقليل مخصص يتكيف مع الحالات المختلفة. من خلال هذه الطريقة، يتم تقليل حجم الجراف بشكل كبير، مما يساهم في تسريع عمليات الحل. وقد أظهرت النتائج التجريبية أن الطريقة المقترحة تستطيع تقليم ما يصل إلى 95% من الحواف في مجموعة بيانات MATILDA، مع الحفاظ على فجوة الحل ضمن 1% من القيمة المثلى.

علاوة على ذلك، يمتلك النهج إمكانية تعميم قوية على معيار TSPLIB، حيث في بعض الحالات الكبيرة، تجاوز معدل التقليم 99% مع بقاء الفجوة المثلى دون 1%. هذه النتائج تفتح أفقاً جديداً في مجال البحث، حيث يمكن تحسين الحلول لمشاكل معقدة من خلال الاستفادة من التعلم الآلي وتقنيات تقليل الجراف.