ابتكارات جديدة في حل مشكلة بائع متجول: استراتيجيات ذكية لتسريع الأداء

في عالم الذكاء الاصطناعي، تتطور حلول معالجة المسائل التلقائية بشكل مستمر، ويأتي آخرها في مشكلة بائع المتجول (Traveling Salesman Problem - TSP) التي طالما كانت تحدياً كبيراً بسبب تعقيدها العالي. تم استخدام نماذج توليدية مثل نماذج الانتشار (Diffusion Models) ونماذج التوافق (Consistency Models) في الآونة الأخيرة لتحقيق نتائج مبهرة في هذا المجال.

قدمت الأساليب الحديثة مثل FT2T توليفة من التنبؤ السريع القائم على التوافق مع تحسين وقت الاستنتاج القائم على التدرجات. إلا أن البحث القائم على التدرجات غالباً ما يتسبب في زيادة الحمل الحسابي، وهو ما قد لا يتماشى مع الهيكل المتقطع للحلول الممكنة.

لحل هذه المشكلة، تم تطوير تقنية جديدة تُدعى استنتاج التوافق المعتمد على الهيكل (Projected Consistency Inference - PCI). تتميز هذه التقنية بأنها لا تتطلب إعادة التدريب وتعتبر بديلاً سلساً يركز على عمليات التخمين المتوافقة مع الهيكل. تعتمد PCI على فك شفرات الجولات الهاميلية الصالحة من مخرجات نموذج التوافق، وتستخدم بحثاً محلياً خفيف الوزن مثل طريقة 2-opt، مما يؤدي إلى تحسين كبير في الكفاءة.

أظهرت نتائج التجارب أن PCI تحقق فجوة مثالية (Optimality Gap - OG) تبلغ 0.17% في حالة TSP مع 500 مدينة، و0.31% في حالة 1000 مدينة، متفوقة على أفضل إعدادات FT2T التي حققت فجوة مثالية تبلغ 0.22% و0.36% على التوالي. كما تخفض التقنية الجديدة زمن الاستنتاج بنسبة تصل إلى 30-40%، بينما تساهم في تقليل تباين الذاكرة.

تمثل هذه النتائج دليلاً على أن العمليات القائمة على الوعي بالهيكل أثناء زمن الاستنتاج توفر مساراً عملياً ومبدئياً لمحللي TSP العصبي، مما يعزز أداء النماذج ويتجاوز الطرق التقليدية.