في عالم البرمجة الخطية المختلطة (Mixed-Integer Linear Programming - MILP)، يمثل العثور على حلول عالية الجودة تحدياً كبيراً خاصةً عند التعامل مع المشكلات الصعبة. وتعتبر هذه المشكلة إحدى أبرز التحديات في مجال البحث التشغيلي، حيث تفتح آفاقاً واسعة لتطبيقات متنوعة في اتخاذ القرارات الصناعية.

تواجه الحلول الحديثة لمشكلات MILP صعوبة في التوصل إلى نتائج مُرضية ضمن حدود زمنية عملية نظراً لطبيعة المشكلة المعقدة. ومن هنا، ظهرت النهُج المعتمدة على التعلم لإسراع عملية حل MILP عبر توقع الحلول عالية الجودة استناداً إلى ميزات معينة عن المشكلات.

ومع ذلك، كان من الصعب الاعتماد على الميزات الثابتة فقط للإنتاج الدقيق للحلول. فقد تم تجاهل المعلومات التي يمكن اكتسابها من عملية البحث عن الحلول والتي قد تقدم قيمة كبيرة.

في الدراسة الحالية، تم التوصل إلى اكتشاف مثير، حيث أن الحلول الناتجة في المراحل المبكرة من البحث غالبًا ما تكون قريبة هيكليًا من تلك التي يتم العثور عليها بعد عملية البحث الكاملة. وبناءً عليه، تم اقتراح نموذج جديد يعتمد على نقل التركيز من التعيين المتغير إلى تحقيق الاتساق بين الحلول المبكرة والنهائية.

هذا الاقتراح الجديد يمكّن المزايا القابلة للتوقع من توجيه عملية البحث بشكل أكثر فعالية، مما يساهم في تحسين جودة الحلول وتقصير فترة البحث. وقد أظهرت التجارب عبر أربعة معايير لمشكلة MILP أن هذه الطريقة تؤدي إلى تحسينات ملحوظة في نتائج البحث المعتمد على التوقعات.

من خلال استخدام برنامج Gurobi، نجحت الطريقة المقترحة في تقليل الفجوة الأساسية بنسبة 56.9% في المتوسط، بل ونجحت في القضاء عليها تمامًا في حالات المزادات المركبة. كذلك تم نقل النموذج المدرب على Gurobi بشكل مباشر إلى SCIP بدون أي تعديلات إضافية، مما أتاح تحقيق تقليل متوسط للفجوة بنسبة 36.4% عبر جميع المعايير.

هذا الابتكار يفتح آفاقاً جديدة في عالم الحلول الذكية لمشكلات MILP، ويعزز قدرة الباحثين على تطوير استراتيجيات أكثر فعالية في معالجة التحديات المعقدة.