خوارزمية التحسين بالقطع لبحث عالمي فعال

بحث أذكى للمشكلات الصعبة

من تصميم ألواح شمسية أنظف إلى تدريب أنظمة تعرف على الصور بدقة، تتلخّص العديد من تحديات اليوم في مهمة واحدة: البحث عبر فضاء هائل من الاحتمالات للعثور على حل جيد. تقدّم هذه الورقة خوارزمية التحسين بالقطع (SOA)، نهجاً جديداً لإجراء ذلك البحث بكفاءة أكبر. مستوحاة من فكرة كلاسيكية في التفاضل والتكامل ولكن مصممة للتعامل مع بيانات العالم الواقعي الفوضوية، تهدف SOA إلى أن تكون سريعة وموثوقة عندما تعجز الطرق التقليدية.

لماذا يحتاج التحسين إلى أفكار جديدة

غالباً ما تتضمن مشكلات الهندسة وعلوم البيانات الحديثة عشرات أو مئات المعاملات القابلة للتعديل، أهدافاً متعددة، وعلاقات معقّدة يصعب صياغتها بصور بسيطة. الطرق الكلاسيكية التي تتبع المشتقات الدقيقة، مثل الانحدار الحاد، قد تفشل عندما يكون المشهد قاسياً، مليئاً بالفخاخ المحلية، أو عندما تكون المشتقات صعبة أو مستحيلة الحساب. استجابة لذلك، طوّر الباحثون خوارزميات «ميتاهيرستية» تحاكي الطبيعة أو الفيزياء أو الرياضيات لاستكشاف هذه المشاهد الصعبة. تبيّن أن هذه الأساليب، مثل الخوارزميات الجينية أو محسنات السرب، مرنة بدرجة ملحوظة لكنها لا تزال تواجه مقايضات بين التجوّل الواسع والتركيز الدقيق.

تحويل خدعة من الكتب المدرسية إلى محرك بحث

جوهر SOA هو طريقة القطع، خدعة عددية قديمة لإيجاد مواضع تقاطع المنحنى مع الصفر دون الحاجة إلى مشتقات دقيقة. بدلاً من استخدام انحدار مشتق من التفاضل، ترسم طريقة القطع خطاً مستقيماً بين نقطتين قريبتين على المنحنى وتستخدم ذلك الخط كميل تقريبي. تعمم SOA هذه الفكرة لأبعاد متعددة والعديد من الحلول المحتملة في آن واحد. تحافظ على مجموعة من المتجهات (إجابات محتملة) وتحدّثها مراراً باستخدام خطوات شبيهة بطريقة القطع تقرّب اتجاهات دالة الهدف، ولكن اعتماداً فقط على قيم الدالة. يجعل هذا الأسلوب مرغوباً في الحالات التي تكون فيها المشتقات ضوضائية أو مكلفة أو غير معرفة، مثل ضبط معاملات الشبكات العصبية عبر خطأ التحقق.

موازنة الاستكشاف الواسع مع التركيز الحاد

تصميم SOA يفصل صراحةً بين كيفية الاستكشاف وكيفية التنقيح. في مرحلة الاستكشاف، يتم تعديل كل مرشح باستخدام قاعدة مبنية على القطع تجمع معلومات من أفضل حل حالي، والمتجه الحالي، وزميل عشوائي الاختيار. يساعد ذلك في توجيه البحث نحو اتجاهات تبدو واعدة، من دون أن يكون عشوائياً بالكامل. في مرحلة الاستغلال، تقدم SOA «عامل توسعة» وعشوائية مسيطراً عليها. تدفع الحلول نحو الأفضل، والمتوسط، والأقرب، وحتى الأبعد في التجمع، وتدمج أيضاً تجوالات عشوائية. قاعدة طفرة بسيطة تحافظ أحياناً على موضع قديم بدل الجديد، ما يحافظ على التنوع. معاً، تساعد هذه الآليات SOA على الخروج من الفخاخ المحلية مع الاستمرار في الاقتراب من حلول عالية الجودة.

الاختبار على معايير وأجهزة حقيقية

لاختبار ما إذا كانت SOA أكثر من فكرة ذكية على الورق، اختبر المؤلفون الخوارزمية على عائلات معايير مستخدمة على نطاق واسع تعرف باسم CEC2021 وCEC2020. صممت هذه الدوال لتكون قاسية: بعضها ذو بعد منخفض لكنه مليء بالقيم الصغرى الزائفة؛ وأخرى تمتد إلى 50 أو 100 بُعد. عبر هذه الاختبارات، قورنت SOA بمجموعتين من الخوارزميات المنافسة، بما في ذلك 11 طريقة مستوحاة من الرياضيات و9 محسنين حديثين أو متغايرين. باستخدام إحصاءات مثل متوسط الخطأ، والتباين، ومنحنيات التقارب، واختبارات مرتبة، تطابقت SOA أو تفوقت باستمرار على معظم المنافسين، خصوصاً في الوصول إلى حلول جيدة بسرعة وباعتمادية. ثم انتقل المؤلفون إلى ما هو أبعد من الاختبارات التركيبية إلى مهمتين عمليتين متطلبتين: تقدير معلمات رئيسية في نماذج الطاقة الكهروضوئية وضبط المعاملات الفائقة للشبكات العصبية الالتفافية لعدة مجموعات بيانات صور.

من الألواح الشمسية إلى الشبكات العصبية

في الطاقة الشمسية، نماذج الخلايا والوحدات الكهروضوئية الدقيقة ضرورية للتنبؤ بالإنتاج وتحسين التشغيل. تطبق الفريق SOA على عدة نماذج قياسية للطاقة الكهروضوئية، بما في ذلك نموذج الصمام الأحادي ونموذج الصمام المزدوج ووصف الوحدة الكامل. باستخدام بيانات قياس التيار–الجهد، تضبط SOA معاملات النموذج لتقليل الخطأ وتُظهر تحقيق جذر متوسط مربع خطأ أقل أو مماثل لمجموعة من المحسّنات المعروفة. في تجارب تعلم الآلة، تُستخدم SOA لضبط بنية وإعدادات تدريب شبكة عصبية التفافية على بيانات MNIST ومجموعات صور ذات صلة. أيضاً هنا، تجد الخوارزمية تراكيبات معاملات فائقة تؤدي إلى دقّات تصنيف تنافسية أو متفوقة مقارنة باستراتيجيات البحث الآلي الأخرى.

ماذا يعني هذا عملياً

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن SOA يقدم «محرك بحث» عملياً جديداً للمشكلات الصعبة في التحسين حيث يكون المشهد خشناً والمشتقات غير متاحة. من خلال استعارة هندسة طريقة القطع ودمجها في بحث معتمد على تجمعات مع توازن جيد للعشوائية، غالباً ما تتقارب الخوارزمية أسرع وأكثر دقة من العديد من البدائل الحالية. وبما أنها بسيطة نسبياً وخالية من المشتقات وقليلة المعاملات التي تتطلب ضبطاً، يمكن إدراج SOA في مجموعة متنوعة من التطبيقات—من تصميم أنظمة طاقة شمسية أكثر كفاءة إلى تكوين نماذج التعلم العميق—مما يجعلها إضافة واعدة لأدوات المهندسين وعلماء البيانات.

الاستشهاد: Ibrahim, M.Q., Qaraad, M., Hussein, N.K. et al. Secant Optimization Algorithm for efficient global optimization. Sci Rep 16, 6659 (2026). https://doi.org/10.1038/s41598-026-36691-z

الكلمات المفتاحية: التحسين العالمي, خوارزميات ميتاهيرستية, خوارزمية التحسين بالقطع, نمذجة الطاقة الشمسية, ضبط المعاملات الفائقة