في عالم السكك الحديدية، تعتبر جدولة القطارات واحدة من أكثر التحديات تعقيدًا. استخدمت النماذج التقليدية البرمجة الخطية المختلطة (Mixed-Integer Linear Programming - MILP) لكن البيانات المتعلقة بهذا المجال كانت مبعثرة في مجموعة كبيرة من الأوراق العلمية غير المتوافقة. لذا، كيف يمكن تحسين هذا النظام؟

تأتي الإجابة مع تقنية جديدة تُدعى LP Mining باستخدام LP2Graph، التي تهدف إلى تنظيم المعرفة المبنية على النماذج بشكل موحد وتقديم بنية قابلة للتكرار. يمثل LP2Graph كل صياغة بقواعد نحوية محددة على شكل رسم بياني للاقترانات المتغيرة، مستنداً على نموذج قياسي واحد.

عند استخراج مصدر إلى هذا النموذج، تصبح النتائج الناتجة عنه مركّزة وقابلة للتكرار، مما يسهل عملية فهم الدومين الخاص بالنماذج واستخدامها بشكل فعّال. من خلال مجموعة من الخطوات المنهجية، يتم تجميع المصادر وفقاً للنماذج، وأنماط الحلول، مما يساعد في تمهيد الطريق لتطوير نماذج آلية جدولة السكك الحديدية (raiLPminer) بكفاءة أعلى.

تم اختبار دقة هذا النظام من خلال إعادة حل النماذج أمام منظومات متعددة مثل CBC وHiGHS وGurobi، ومن ثم مقارنة النتائج مع ما هو مُعتمد في الأوراق الأصلية. والنتيجة هي تصنيف موضوعي وقابل للتكرار لمتغيرات النماذج، مما يمهد الطريق لمزيد من الابتكارات في هذا المجال.

هل أنتم مستعدون لتجربة هذه التكنولوجيا الجديدة في تحسين النقل؟ شاركونا آرائكم!