في عالم الذكاء الاصطناعي، تظهر الحاجة إلى تحسين المهام المتعددة (Multi-Task Optimization) بشكل متزايد. لكن التحديات القائمة تجعل من الصعب الاستفادة الكاملة من الإمكانيات الهائلة لهذه التقنية. يواجه الباحثون والعلماء تحديات تتعلق بتوسيع فعالية الخوارزميات الحالية، وخاصة عند التعامل مع مجموعات كبيرة من المهام.

تقدم خوارزمية MONET (تحسين المهام المتعددة عبر شبكات المهام) حلاً مبتكرًا لاستغلال هذه الإمكانيات. تقوم MONET بنمذجة فضاء المهام على شكل رسومات، حيث تمثل المهام كعقد (Nodes) وتتصل ببعضها البعض عبر حواف (Edges) في فضاء معلمات المهام. هذه الطريقة الفريدة تمكّن من نقل المعرفة بين المهام، مما يجعلها قابلة للتطبيق على المشكلات عالية الأبعاد.

تجمع MONET بين التعلم الاجتماعي - الذي يُنتج اقتراحات من العقد المجاورة عبر عمليات التطابق - والتعلم الفردي، الذي يُحسن الحل الخاص بكل عقدة بمفرده عبر الطفرات. هذا الدمج يعزز من فعالية تنفيذ المهام ويجعل عملية التحسين أكثر ديناميكية.

لقد تم تقييم خوارزمية MONET في أربعة مجالات مختلفة تشمل الرماية، والذراع الروبوتية، وCartPole مع 5000 مهمة في كل منها، بالإضافة إلى مجال الهيكسابود (Hexapod) مع 2000 مهمة. وأظهرت النتائج أن أداء MONET يتساوى أو يتجاوز أداء المعايير القائمة على MAP-Elites عبر جميع المجالات الأربعة، مما يُبرز قدرتها التنافسية ومكانتها المتميزة في مجال تحسين المهام المتعددة.