تعتبر عملية اختيار الخوارزميات (Algorithm Selection) أمرًا أساسيًا لزيادة كفاءة البرمجة المقيدة (Constraint Programming). على مر السنين، تم استخدام العديد من تقنيات اختيار الخوارزميات المعتمدة على أساليب تعلم الآلة بنجاح، إلا أن الطرق التقليدية لاستخراج الميزات غالبًا ما تعتمد على إحصائيات مستوية تحدّد يدويًا، مما يفشل في التقاط البنية الكامنة للمشكلة.

في هذه الورقة، نسعى إلى سد هذه الفجوة من خلال تقديم منهجية مبتكرة لاستخراج الميزات التلقائية التي تجمع بين تحويل الرسوم البيانية (Graph Conversion) ونوى الرسوم البيانية من نوع ويسفايلر-ليمان (Weisfeiler-Lehman Graph Kernels)، مما ينتج تمثيلات هيكلية قوية للمشاكل. يضمن اختبار 1-WL قوة التمييز للرسوم البيانية للأساليب القياسية لنماذج شبكات الأعصاب الرسومية (Graph Neural Networks) ويطابق العديد من بنى الشبكات العصبية هذا الحد.

تقدم الميزات المستندة إلى ويسفايلر-ليمان بديلاً لا يتطلب تدريب شبكة عصبية بفضل تمثيل يعتمد على الاقتطاع ( exttt{WLc}) المصمم لنمذجة الأقسام الهيكلية، مما يوفر إشارة تنبؤية دقيقة.

لقد قيمنا منهجيتنا على أمثلة من تحديات MiniZinc لعامي 2023-2025 عبر مهمتين: زيادة درجات العد بوردا وتحقيق أكبر دقة توقع. أثبتت النتائج التجريبية عبر مجموعة من الأدوات مثل آلات الدعم الناقل (Support Vector Machines) والغابات العشوائية (Random Forests) والشبكات العصبية متعددة الطبقات (Multi-Layer Perceptrons) أن الميزات المعتمدة على الاقتطاع تتفوق على أساليب أخرى مثل exttt{fzn2feat} مع آلات الدعم الناقل، بينما كانت النتائج مع النموذجين الآخرين قريبة.

يمثل هذا البحث خطوة مهمة نحو تعزيز التقنيات المستخدمة في البرمجة المقيدة، مما يوفر فرصًا جديدة للباحثين والممارسين في هذا المجال.