التطور التفاضلي المتحكم فيه بالتعلم المعزز: إطار قابل للتعلم لتكييف المعلمات في مشكلات التحسين المعقدة

أصبحت خوارزمية التطور التفاضلي أحد الحلول الرئيسة لمشكلات التحسين المعقدة بفضل بنيتها الموجزة وقدرتها القوية على البحث الشامل في فضاء الحلول، غير أن أداءها يتسم بحساسية عالية تجاه استراتيجيات الطفرة والتقاطع التي تعتمدها وما يرتبط بها من معلمات تحكم، إذ قد يتغير أداء الخوارزمية جذريًا بتغير هذه الخيارات من مشكلة إلى أخرى، وقد اعتمدت الاستراتيجيات التكيفية التقليدية في معظمها على قواعد استدلالية ثابتة وافتقدت قدرات التعلم المباشر أثناء التشغيل، مما حد من تطبيقاتها اللاحقة في سيناريوهات التحسين مكلفة التقييم التي تعمل بوصفها صناديق سوداء لا تُعرف بنيتها الداخلية، وتنتشر تطبيقات التحسين في مجالات التصميم الهندسي والجدولة وتخصيص الموارد وتدريب النماذج الذكية حيث يتعذر غالبًا اشتقاق حلول تحليلية مغلقة وتكون دالة الهدف مكلفة التقييم

أولًا: أهداف الدراسة ومنهجيتها

اقترحت الدراسة خوارزمية التطور التفاضلي المتحكم فيه بالتعلم المعزز مع تحسين بمنهج برويدن فليتشر غولدفارب شانو محدود الذاكرة، وبنت إطارًا مغلق الحلقة من ثلاث طبقات يجمع بين المعلمات والسياسة والتحسين، محققة بذلك تحولًا في النموذج من الاعتماد على القواعد الجامدة إلى الاعتماد على البيانات والتعلم، وقُيّم النظام على مجموعة اختبارات المؤتمر المعني بالحوسبة التطورية لعام 2017، وقورن أداؤه بمتغيرات كلاسيكية من خوارزميات التطور التفاضلي التكيفية، كما طُبقت الخوارزمية على مشكلات جدولة الورش المرنة للتحقق من قدرة الإطار على التعميم نحو مجال التحسين التوافقي المنفصل

ثانيًا: أبرز النتائج

1، أظهرت التقييمات على مجموعة الاختبارات المعيارية أن الخوارزمية المقترحة متينة في السيناريوهات عالية الأبعاد، وحققت نتائج أفضل مقارنة بالمتغيرات التكيفية الكلاسيكية من التطور التفاضلي

2، أثبت التطبيق الناجح للخوارزمية في مشكلات جدولة الورش المرنة قدرة الإطار على التعميم نحو مجال التحسين التوافقي المنفصل بمتطلباته المختلفة عن مسائل التحسين المستمرة

3، قدمت الدراسة بنية موحدة قابلة للتعلم من أجل تكييف المعلمات في خوارزميات التطور التفاضلي، بما يوفر حلولًا فعالة وذكية لمشكلات تحسين الصناديق السوداء المكلفة ومشكلات الجدولة الهندسية

ثالثًا: دلالات الدراسة وتطبيقاتها

تكتسب هذه الدراسة أهميتها من انتقالها بتكييف معلمات خوارزميات التحسين من ضبط يدوي أو قواعد ثابتة إلى سياسات تتعلم من تجربة البحث ذاتها، وهو انتقال يلائم التطبيقات الهندسية والعلمية التي يكلف فيها تقييم الحل الواحد وقتًا وموارد كبيرة في المحاكاة أو التجارب، كما أن الجمع بين التعلم المعزز المتحكم في المعلمات ومرحلة تحسين محلية دقيقة بمحدودية الذاكرة يمنح الإطار توازنًا بين الاستكشاف الواسع والاستغلال الدقيق للحلول الواعدة، وقابلية الإطار للتعلم تجعله مرشحًا للتكيف مع تغير خصائص المشكلات عبر الزمن دون إعادة ضبط يدوي متكررة بما يختصر جهد الخبراء ويوجهه نحو تفسير النتائج وتوظيفها، ويفيد هذا التوجه الباحثين العرب وطلاب الدراسات العليا في علوم الحاسب والذكاء الاصطناعي في بناء خوارزميات تكيفية لمهام الجدولة والتخصيص والتصميم الهندسي في بيئات العمل المحلية

وتتعاظم صعوبة تكييف المعلمات حين تكون دالة الهدف صندوقًا أسود لا يملك الباحث إلا تقييم مخرجات دالته من مدخلاتها، فكل تجربة لتقييم حل مرشح قد تستهلك محاكاة مطولة أو حسابات باهظة، ومن هنا تصبح سياسات التكيف التي تتعلم أثناء البحث ذات قيمة عملية لأنها تختصر التجارب الفاشلة وتوجه الموارد الحاسوبية نحو الإعدادات الواعدة

وتمتد فوائد هذا التوجه إلى مسائل جدولة الإنتاج والخدمات اللوجستية وتصميم الشبكات وتخطيط الطاقة، حيث تتكرر الحاجة إلى حلول جيدة في زمن محدود ودون إمكان ضبط يدوي لكل مسألة على حدة، كما تفتح البنية المقترحة المجال لمقارنات منهجية بين سياسات التعلم المختلفة في التحكم بخوارزميات التحسين التطورية

وخلاصة القول إن إدماج التعلم المعزز في التحكم بمعلمات التطور التفاضلي مع تحسين محلي محدود الذاكرة يقدم مسارًا واعدًا نحو خوارزميات تحسين ذاتية التكييف، ويفتح المجال لمزيد من البحث في تعميم الإطارات القابلة للتعلم على فئات أوسع من مشكلات التحسين الواقعية