تخيل عالماً حيث تكون المركبات الكهربائية (EVs) قادرة على تحديد مساراتها بأعلى كفاءة ممكنة، مما يقلل من استهلاك الطاقة ويزيد من وقت التشغيل. في ظل التحول المستمر نحو نظم النقل الكهربائية، أصبح حل مشاكل توجيه المركبات الكهربائية (Electric Vehicle Routing Problem - EVRP) أمرًا بالغ الأهمية.

في هذا الصدد، يُقدم فريق من الباحثين نموذجًا مبتكرًا يسمى "شبكة انتباه حواف الرسم البياني" (Graph Edge Attention Network - GREAT)، والذي يتجاوز الطرق التقليدية التي تعتمد على الشبكات العصبية الرسومية (Graph Neural Networks - GNNs) أو المعمارية التحويلية (Transformer) التي تعمل على إحداثيات العقد (Node Coordinates). بدلًا من ذلك، يقوم GREAT بالعمل مباشرة في فضاء الحواف (Edge Space)، مما يجعله ملائمًا تمامًا لتكاليف التوجيه غير المتكافئة.

هذا النموذج ليس مجرد نظرية. فقد تم تدريبه باستخدام بيانات استهلاك الطاقة الواقعية من مدينة سان فرانسيسكو، وحقق نتائج مدهشة تتجاوز أساليب التوجيه التقليدية مع توفير كبير في استهلاك الطاقة، حيث تمكن من تحقيق تخفيض يصل إلى 8.78% في الاستهلاك.

علاوة على ذلك، أظهر GREAT أداءً تنافسياً عند قياسه مقابل أساليب أخرى مثل البحث التكيفي لمستويات الجوار الكبير (Adaptive Large Neighborhood Search - ALNS) دون التأثير على سرعة المعالجة. وهذا يثبت أن هذا النموذج لا يتناسب فقط مع توجيه المركبات الكهربائية، بل يتفوق أيضًا على المشاكل القياسية الأخرى مثل مشكلة البائع المتجول (Traveling Salesman Problem) ومشكلة توجيه المركبات المحدودة السعة (Capacitated Vehicle Routing Problem).

إن ما يجعل GREAT مميزًا هو فعاليته في تقليل الوقت المستغرق؛ حيث حقق النموذج اختصارات هائلة في زمن التنفيذ بمعدل 60 مرة أسرع من الحلول التقليدية. إن هذا الابتكار يفتح آفاق جديدة لتطبيقاته في جميع أنحاء العالم، بوعد بمستقبل أكثر استدامة في مجال النقل.

هل لديك أفكار أو آراء حول هذا التطور الرائع؟ شاركنا تعليقاتك!