اكتشاف ثوري في تحسين الحلول: طريقة بحث شجرية مدعومة بالذاكرة لنمذجة الحلول الذكية!

في عالم اتخاذ القرارات المعقدة، يُعد تحسين الحلول (Combinatorial Optimization) أمراً بالغ الأهمية، حيث تُستخدم في مجالات متعددة مثل اللوجستيات وتصميم الشرائح الإلكترونية. لذلك، تمثل الأبحاث الأخيرة التي تستخدم نماذج اللغات الضخمة (Large Language Models - LLMs) منعطفاً مهماً، حيث تتيح توليد برامج حلول تلقائية من مواصفات اللغة الطبيعية.

ومع ذلك، تكمن المشكلة في أن الأساليب الحالية من البحث الشجري وعوامل التطور لا تقوم بنقل المعرفة بشكل فعال بين المسارات المختلفة، مما يؤدي إلى إعادة تقديم انتهاكات القيود الشائعة والتوجه نحو عائلات برامج مشابهة.

هنا يأتي دور الطريقة الجديدة المُبتكرة المسماة **MEMOIR**، التي تُقدِّم إطار بحث شجري مدعوم بالذاكرة مع هيكل ذاكرة مزدوج المستوى. الذاكرة المحلية لكل فرع تحتفظ بتفاصيل التحسين المتعلقة بالتنفيذ داخل نفس الفرع، بينما تقوم الذاكرة العالمية بتخزين ملخصات مضغوطة حول الخوارزميات وأنماط الفشل عبر الفروع.

تتضمن العملية خطوة تعكس النتائج عند انتهاء كل فرع، مما يُسهم في نقل المعرفة بين الفروع دون تلوث السياقات المستقبلية بتفاصيل تصحيح الأخطاء على المستوى المنخفض.

لقد تم اختبار **MEMOIR** على سبع مشكلات في تحسين الحلول، تشمل جدولة المهام، والتوجيه، والتعبئة، والتصميم الهندسي، وحققت نسبة دقة حل تصل إلى 96.7%، مما يُمثل فارقاً قدره 9.2 نقطة مقارنة بأقوى نماذج الأساس. كما تحسَّن متوسط الدرجة المُعتمدة وفقاً لطريقة التنفيذ بمقدار 7.3 نقاط.

وعلى مدار ثلاث تجارب مستقلة لأربع مشكلات، أظهرت **MEMOIR** تقلباً في دقة النتائج أقل بمعدل يزيد عن عشرة أضعاف مقارنة بكل نموذج تم تقييمه، مما يشير إلى أن الاستكشاف المدعوم بالذاكرة يُقدم تحسينات مستدامة بدلاً من أن يكون مجرد انعكاس لتقلبات العينة.