في مجالات النقل والشحن اللوجستي، يعد تحسين المسارات من العمليات الأساسية التي تتطلب حلولاً فعّالة تحت قيود زمنية وميزانية محدودة. انطلقت الدراسات الحديثة نحو استخدام نماذج اللغات الضخمة (Large Language Models) لتحسين هذه العمليات، مما أدى إلى تطوير طرق تصميم أوتوماتيكية للتوجيه.

ومع ذلك، قد تُخفي التقييمات العامة المتكررة بعض نقاط الضعف لمهام محددة، مما يؤدي إلى الحاجة لتطوير حلول مبتكرة. هنا يأتي دور نموذج RouteRepair، الذي يعمل على تشخيص الضعف المحدد من الأداء على مستوى الحالات، وتطبيق تعديلات مستهدفة على المكونات التي تحتاج إلى تحسين.

يعتمد RouteRepair على دمج أدلة التوجيه وسلوك الحواسيب وسياق البرنامج لتعريف أهداف تصحيح محددة. تتضمن التجارب التي أجريت باستخدام نموذج حل مشكلة البائع المتنقل (TSP) ومشكلة توجيه المركبات ذات السعة (CVRP) عدة أساليب بحث، مثل البحث البناء، والبحث المحلي الموجه، وتحسين خلية النحل.

حيث أظهرت النتائج أن RouteRepair-GLS قللت الفجوة في تحسين TSP من 1.7476% إلى 0.7587%، بينما خفض الحل الإنشائي لمشكلة CVRP متوسط تكلفة الطريق بنسبة 1.91% بالمقارنة مع الحلول التقليدية. كما كانت النتائج مشجعة للغاية، حيث تفوقت الأولويات المستمدة من خوارزمية خلية النحل على تلك التي تم تصميمها يدويًا.

تُظهر هذه النتائج مدى قدرة المرونة المعتمدة على الأدلة في تحسين خوارزميات التوجيه، حتى في الحالات الصعبة، مع الحفاظ على الأداء في الحالات التي تعمل عليها بكفاءة مسبقًا. إذن، كيف سيؤثر هذا التطور على مستقبل تحسين المسارات في مجالات أخرى؟