تعتبر مشكلة توجيه المركبات ذات السعة (Capacitated Vehicle Routing Problem - CVRP) حجر الزاوية في القطاع اللوجستي الحديث، حيث تُستخدم لحل التحديات المرتبطة بتسليم الشحنات في آخر الميل. في الآونة الأخيرة، أثبتت أساليب التحسين الفائق المعتمدة على الذكاء الاصطناعي (Neural Combinatorial Optimization - NCO) أنها تواجه عوائق تتعلق بتعقيدات التشفير الزمني والحساسية للأساليب المكانية.

إلا أننا نشهد اليوم تحوّلًا جذريًا مع ظهور النموذج الجديد والمبتكر Neural CFRS، الذي يعيد الحيوية لمبدأ "التجمّع أولاً، والتوجيه ثانيًا" (Cluster-First-Route-Second - CFRS) والذي يُعتبر مثاليًا نظرًا لتوجهه المتوازن مع مزايا التعلم العميق.

يقدم النموذج Neural CFRS إطارًا غير تكراري بالكامل يتيح حلّ مشاكل توجيه المركبات في فعلٍ واحد، مما يعمل على فرض القيود الخاصة بقدرة الأسطول بطريقة متكاملة عبر طبقة نقل أمثل تفاضلية، مما ينتج عن ذلك خطة نقل مستمرة تسهّل عملية اتخاذ القرارات.

تتسم بنية النموذج بالمرونة حيث توفر ضمانات نظرية تجعلها قادرة على التعامل مع التماثلات المكانية والتباديل داخل وخارج المسارات. إن الاستخدام الأساسي لمفردات مكانية مدرّبة مسبقًا يمنح النموذج كفاءة مذهلة في استخدام المعلمات، مما يسمح له بالتوسع بسهولة في نطاقات بيانات غير متوقعة.

هذا النموذج مصمم أساساً للتوزيعات المكانية الحقيقية في سياق قدرات ثابتة، وقد أثبت فعاليته في معالجة تقنيات البيانات المعقدة دون الحاجة لمزيد من التعديلات. عند تقييم أدائه، حقق النموذج فجوة مثالية تصل إلى 2.73% على مشكلات الحجم 100، مما يجعله خيارًا تنافسيًا جديرًا بالاهتمام في هذا المجال.