في عالم التصنيع السحابي، تلعب الطائرات بدون طيار (UAVs) دورًا حيويًا في دعم جمع المنتجات وتجهيز المهام الحاسوبية عبر الحافة المتنقلة (Mobile Edge Computing - MEC). ومع تزايد الاعتماد على هذه التكنولوجيا، تظهر أمامنا تحديات جديدة في جدولة المهام، حيث تتفاعل القرارات اللوجستية المادية مع جدولة المهام الحاسوبية.

في ورقة جديدة خضعت لمراجعة شاملة، يتناول الباحثون مشكلة جدولة مركبة تتعلق بجمع المنتجات المنجزة من محطات التصنيع ونقلها إلى مستودع مركزي. بينما تتم معالجة المهام الحاسوبية الناتجة عن أجهزة الاستشعار الصناعية إما محليًا أو بواسطة UAVs أو حتى رفعها إلى السحابة. هذا التشابك يزيد من تعقيد الحلول المقترحة.

تتمثل إحدى العوائق الرئيسية في أن الطائرات يمكنها تقديم خدمات MEC فقط خلال فترة الخدمة في محطة معينة، مما يجعل قرارات التوجيه لها تأثيرات مباشرة على توافر هذه الخدمات. لنفهم ذلك بشكل أفضل، قدم الباحثون إطار عمل مدعوم بالذكاء الاصطناعي يتكون من عنصرين رئيسيين. الأول هو تطوير الذكاء الاصطناعي الوكيمي (Agentic AI) الذي يجمع بين نماذج اللغات الضخمة (Large Language Models)، والتوليد المعزز بالاسترجاع (Retrieval-Augmented Generation)، والاستدلال التتابعي (Chain-of-Thought Reasoning) لتحويل مدخلات المستخدم إلى صيغة رياضية مفهومة لمشكلة الجدولة المركبة.

أما العنصر الثاني، فيتعلق بتصميم منهج تعليمي عميق قائم على التعزيز (Deep Reinforcement Learning) استنادًا إلى تحسين السياسة القريبة (Proximal Policy Optimization - PPO). يتعلم الطبقة العليا من هذا النظام توجيه UAVs، بينما تخصص الطبقة السفلى الموارد لتنفيذ المهام في أوقاتها.

نتائج المحاكاة تشير إلى أن الإطار المقترح يحقق صيغًا أكثر اتساقًا، حيث ينجح منهج PPO الهرمي في جمع المنتجات بنسبة 99.6% على مدى آخر 500 حلقة، مع الاحتفاظ بمعدل رضا عن المهل الزمنية بنسبة 100%. في مقابل ذلك، يظهر أداءً أكثر استقرارًا مقارنة بأسلوب الممثل الممثل (Advantage Actor-Critic).

إن هذا البحث ليس مجرد خطوة نحو الأمام، بل ثورة في طريقة استخدام الذكاء الاصطناعي لتسهيل عمليات اللوجستيات بشكل أكثر كفاءة، ويأمل الباحثون أن يسهم هذا الإطار في تحسين العمليات الصناعية بشكل عام.