في عالم التحسين الرياضي، يعتبر تصميم الخوارزميات الفعالة أمرًا بالغ الأهمية، خاصة في برمجة الخطية المختلطة (MILP). قد أثبتت طرق التعلم الآلي أن السياسات المدفوعة بالبيانات يمكن أن تسهم بشكل كبير في تسريع الحلول، إلا أن العديد من هذه الأساليب تظل صعبة الفحص والتكيف والنشر نظرًا لأن النموذج المتعلم غالباً ما يكون غير شفاف.

هنا يأتي دور MILP-Evo، الذي يمثل إطار عمل جديد للتصميم التلقائي لخوارزميات MILP. يعتمد هذا النظام على مفهوم البحث المغلق الذي يستند إلى نماذج للغات الكبيرة (LLMs) في البحث عن مكونات قابلة للتنفيذ تتسم بالشفافية، مما يسهل فهمها ودمجها.

تم تنفيذه من خلال PySCIPOpt، يركز هذا الإطار على تصميم مشترك لمحدد القطع وقاعدة التفريع. تُولّد البرامج المرشحة بشكل تكراري، ثم يتم تحميلها في SCIP وتقييمها عن طريق التنفيذ المباشر على حالات MILP، حيث يتم توجيه تحسين الأداء من خلال تقييم التغذية الراجعة. والنتيجة هي مكونات خوارزمية واضحة يمكن فحصها وتعديلها ودمجها ضمن عمليات الحل القياسية.

لقد أظهرت التجارب التحليلية عبر أربعة عائلات معيارية أن معالجة التطورات في البرنامج الموجه بواسطة LLM يمكن أن تكشف عن سياسات متخصصة تنافسية في عدة إعدادات.

مع هذه التطورات، تفتح الأبواب أمام مجال جديد من الابتكارات في تصميم الخوارزميات، وتعزز إمكانية استخدام الذكاء الاصطناعي في مجالات متعددة.

ما رأيكم في هذا التطور؟ شاركونا آراءكم في التعليقات!