في عالم التوجيه المعقد، تعتبر مشاكل مثل مشكلة البائع المتجول (Traveling Salesman Problem - TSP) ومشكلة توجيه المركبات ذات السعة المحددة (Capacitated Vehicle Routing Problem - CVRP) من المشاكل الأساسية التي يصعب حلها. ورغم أن الطرق الحديثة التي تعتمد على التعلم العميق قد أظهرت نتائج واعدة، إلا أنها غالبًا ما تواجه تحديات في التعامل مع التماثلات الهندسية، مما يؤدي إلى اتخاذ قرارات غير متسقة وتعزيز محدود للتعميم.

في إطار معالجة هذه القضايا، تم تقديم خوارزمية جديدة تُعرف بـ MViewRouter، والتي تعتمد على هيكل رياضي يجسد فكرة التماثل الهندسي كنوع من التحفيز الداخلي لتحقيق اتخاذ قرارات ثابتة عبر أنواع مختلفة من مشاكل التوجيه.

تتميز MViewRouter بآلية تركيز متعددة المناظر (Multi-view Alternating Attention - MAA) التي تتيح معالجة متناظرة عبر مجموعة التماثل $D_4$. هذه الآلية تعمل على توازن وتحسين النمذجة العلاقة بين البيانات من وجهات نظر متعددة، مما يعزز التوافق بين الخصائص المختلفة عند اتخاذ القرارات.

علاوة على ذلك، تم تحسين سياسة العمل عبر تجميع تدرجات السياسات الجماعية (Collective Policy Gradient Aggregation - CPGA)، حيث يستفيد النظام من تدرجات الإجماع من وجهات نظر متناظرة متعددة، مما يسهم في استقرار التدريب وتسريع عملية التقارب.

أظهرت التجارب التي أجريت على معايير TSP وCVRP، بالإضافة إلى حالات واقعية من مكتبة TSPLIB، أن MViewRouter يحقق جودة حلول تنافسية مع قدرة قوية على تعميم النتائج دون الحاجة إلى تدريب مسبق.

تعتبر هذه الخوارزمية خطوة مهمة نحو تطوير طرق أكثر كفاءة وفعالية في حل مشاكل التوجيه، مما يحمل وعٍدًا بمزيد من الابتكارات المستقبلية.