تعتبر الطرق العصبية التراكمية (NCO) من الآليات الواعدة لحل مشكلات توجيه المركبات (VRPs) من خلال التعلم المباشر لبناء حلول تقريبية مثالية، مما يقلل الاعتماد على معرفة الخبراء في تصميم الخوارزميات. ومع ذلك، يبقى التحدي الرئيسي هو توسيع نطاق هذه الأساليب للتعامل مع الحالات ذات الحجم الكبير الناتج عن التعقيد الحسابي المرتفع.

في الآونة الأخيرة، تم تطوير طرق تقليل مساحة البحث الديناميكية (SSR) لتعزيز كفاءة الاستدلال عبر تقنيات تقليم تعتمد على المسافات الهندسية. لكن، قد تواجه هذه الطرق صعوبات مع الحالات المعقدة ذات التوزيعات غير المتجانسة أو في الحالات التي تعتمد فيها الحلول المثالية بشكل كبير على قيود غير معيارية.

لذا، نُقدم إطار L2R (Learning to Reduce) كأول إطار ديناميكي يعتمد على التعلم لتقليل مساحة البحث. يقوم L2R بتعلم كيفية إعطاء الأولوية للعقد بشكل تكيفي من خلال استخراج أنماط من الخصائص الخاصة بالمشكلة لتقليل مساحة البحث في كل خطوة، مما يتيح البناء الفعال والقابل للتوسع للحلول.

تتضمن التجارب الواسعة التي أجريناها أداءً قويًا لإطار L2R عبر مقاييس مشاكل مختلفة وتوزيعات بيانات متنوعة لمتغيرات VRP، حيث يُعتبر L2R الأول من نوعه الذي يتكيف بفاعلية ليصل إلى حالات توجيه المركبات التي تحتوي على 10 ملايين عقدة مع الحفاظ على جودة الحل عالية. يُعد هذا الإنجاز تقدماً كبيراً في تعزيز نطاق تطبيقات NCO في مجال التعميم والقدرة على التوسع.

لمعرفة المزيد، يمكنك الاطلاع على الكود الخاص بنا على GitHub. ما رأيكم في هذا الابتكار الجديد في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات.