تُعَد معضلة التخصيص التربيعي (Quadratic Assignment Problem - QAP) واحدة من أكثر التحديات تعقيدًا في مجال الذكاء الاصطناعي، إذ يصنفها الخبراء على أنها مهمة صعبة (NP-hard). تعاني الحلول التقليدية من عدم القدرة على تحقيق أداء متنافس باستمرار عبر أمثلة متعددة من مشكلات العالم الحقيقي، مما يفتح المجال أمام الحاجة الملحة لتطوير أساليب جديدة.

لذلك، يتم تقديم PLMA، وهو إطار تعلم مبتكر يهدف إلى تجسير الفجوة في الأداء. يمتاز PLMA بإجراء تحسين موجه باستخدام خوارزمية MCMC (Markov Chain Monte Carlo) المُعدة مسبقًا، مما يعزز بشكل ملحوظ من أداء النظام عند نشره. تعتمد هذه الخوارزمية على سلاسل ماركوف القصيرة للتركيز على المناطق الواعدة التي تم استكشافها مسبقًا.

كما تم تصميم نموذج يعتمد على الطاقة الإضافية (Energy-Based Model - EBM)، والذي يعزز سرعة الاستكشاف عبر فضاء التخصيص، حيث يتيح خطوة عينة Metropolis-Hastings بسرعة زمنية مقدارها $O(1)$ عند الحاجة لتبادل القيم.

تتضمن الشبكة العصبية المستخدمة في نموذج EBM آلية انتباه عبر الرسوم البيانية (Cross-Graph Attention Mechanism) القابلة للتوسع والمرونة، مما يساهم في تحسين توقعات التفاعل بين المرافق والمواقع ضمن معضلة التخصيص التربيعي.

أظهرت التجارب المكثفة أن PLMA يتفوق باستمرار على الحلول التقليدية الرائدة عبر مختلف المعايير. إذ أنه حقق فجوة مثالية قريبة من الصفر على مجموعة QAPLIB، وأظهر قدرة كبيرة على التعامل مع الحالات الصعبة الشهيرة مثل Taixxeyy، كما أظهرت نتائجه فعالية ملحوظة في حل مشكلات الحد الأدنى لعرض النطاق.