تتناول هذه الدراسة تطوير خوارزمية أمثلة سرب الجسيمات التي أثبتت أداء ممتازًا في مجالات متعددة بوصفها أسلوب أمثلة واسع الاستخدام، غير أنها كثيرًا ما تواجه صعوبات عند التعامل مع مسائل الأمثلة المعقدة، إذ تعاني من بطء سرعة التقارب وقصور دقته، ومن هنا تقترح الدراسة خوارزمية أمثلة سرب جسيمات تكيفية قائمة على التعلم المعزز تهدف إلى تجاوز هاتين المشكلتين ورفع كفاءة البحث عن الحلول المثلى في المسائل الصعبة، وذلك عبر دمج آليات تعلم ذكية داخل بنية الخوارزمية الأصلية
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى تحسين سرعة تقارب خوارزمية أمثلة سرب الجسيمات ودقة تقاربها في آن واحد، واعتمدت ثلاث آليات رئيسة، أولاها استراتيجية مدفوعة بمصادر معلومات متعددة تعمل على تعزيز تنوع المجتمع، إذ تُحسّن آلية تحديث مواقع الجسيمات وسرعاتها بالتكامل بين مفاهيم التعلم الشامل والتعلم السائد، بحيث تتعلم الجسيمات لا من الحل الأمثل العام وحلولها المثلى الفردية فحسب، بل من الحلول المثلى الفردية للجسيمات الأخرى ومن متوسط هذه الحلول أيضًا، وثانيتها استخدام أسلوب أمثلة السياسة القريبة لضبط معاملات الخوارزمية على نحو تكيفي، وثالثتها اقتراح دالة مكافأة دينامية ضمن إطار أسلوب أمثلة السياسة القريبة تضبط شدة التغذية الراجعة في الزمن الفعلي تبعًا لتقدم عملية البحث
ثانيًا: أبرز النتائج
أظهرت النتائج التجريبية أن الخوارزمية المقترحة ترفع سرعة التقارب ودقة التقارب رفعًا ملحوظًا على مجموعتي الاختبار سي إي سي 2013 وسي إي سي 2022، وأنها تتفوق في أدائها العام على متغيرات كلاسيكية من خوارزمية أمثلة سرب الجسيمات وعلى خوارزميات أخرى من خوارزميات ذكاء السرب عند معالجة مسائل الأمثلة المعقدة، ويعزى هذا التفوق إلى تكامل آلياتها الثلاث، إذ يحافظ تنوع المجتمع المدعوم بمصادر المعلومات المتعددة على قدرة الخوارزمية على استكشاف فضاء البحث، بينما يوجه الضبط التكيفي للمعاملات ودالة المكافأة الدينامية عملية البحث نحو الحلول الأفضل بكفاءة أعلى
وتؤكد هذه النتائج أن إدخال التعلم المعزز في ضبط خوارزميات ذكاء السرب يمثل اتجاهًا واعدًا، فبدلًا من الاعتماد على معاملات ثابتة تُحدد سلفًا بالتجربة والخطأ، تصبح الخوارزمية قادرة على تعديل سلوكها أثناء التشغيل استجابة لما تواجهه من صعوبات في مسألة الأمثلة قيد المعالجة، وهو ما يقلل الحاجة إلى الضبط اليدوي المتكرر ويرفع متانة الأداء عبر طيف واسع من المسائل
ثالثًا: دلالات الدراسة وتطبيقاتها
تنطوي نتائج الدراسة على دلالات مهمة للباحثين والممارسين العاملين في مجالات الأمثلة الحاسوبية، إذ تقدم خوارزمية أكثر كفاءة لمعالجة المسائل المعقدة التي تتطلب سرعة ودقة عاليتين في الوصول إلى الحلول، كما تفتح الباب أمام توظيف آليات مشابهة في تحسين خوارزميات أمثلة أخرى، سواء من عائلة ذكاء السرب أو من غيرها، وتدعم الاتجاه المتنامي نحو الخوارزميات ذاتية الضبط التي تتعلم من تجربة البحث ذاتها بدلًا من الاعتماد الكامل على خبرة المصمم في إعداد المعاملات
وتستند أهمية هذا التطوير إلى المكانة التي تحتلها خوارزميات ذكاء السرب في معالجة مسائل الأمثلة في الهندسة والعلوم وإدارة العمليات، إذ يعتمد كثير من التطبيقات على قدرة الخوارزمية على الموازنة بين استكشاف فضاء الحلول واستغلال أفضل الحلول المكتشفة، وهي موازنة تتعثر حين تثبت المعاملات على قيم لا تلائم طبيعة المسألة قيد المعالجة، وقد عالجت الخوارزمية المقترحة هذه النقطة من جذورها، إذ جعلت الجسيمات تتعلم من مصادر متعددة تشمل متوسط الحلول المثلى الفردية إلى جانب الحل الأمثل العام، وجعلت ضبط المعاملات عملية تعلم مستمرة تقودها إشارات المكافأة المتغيرة مع تقدم البحث، وهو ما يفسر تفوقها على مجموعتي اختبار قياسيتين صممتا أصلًا لقياس أداء الخوارزميات على مسائل متنوعة الصعوبة والبنية
ويلاحظ أن دالة المكافأة الدينامية المقترحة تضيف بعدًا زمنيًا ذكيًا إلى عملية الضبط، فهي لا تتعامل مع مراحل البحث كلها بمعيار واحد، بل تشدد التغذية الراجعة أو تخففها تبعًا لوتيرة التقدم المحقق، وهو ما يشبه طريقة تعلم الكائنات الحية من نتائج أفعالها بتوقيت متغير، ويمنح الخوارزمية قدرة على تجاوز فترات الركود التي كثيرًا ما تعلق فيها خوارزميات السرب عند حلول دون المستوى الأمثل
وخلاصة القول إن هذه الدراسة تقدم تطويرًا مؤثرًا لخوارزمية أمثلة سرب الجسيمات عبر دمج التعلم المعزز في بنيتها، فجمعت بين استراتيجية مصادر المعلومات المتعددة والضبط التكيفي للمعاملات ودالة المكافأة الدينامية، وأثبتت تفوقًا واضحًا على الخوارزميات المقارنة في سرعة التقارب ودقته على مجموعات اختبار معيارية، بما يجعلها خيارًا قويًا لمعالجة مسائل الأمثلة المعقدة في التطبيقات البحثية والعملية
