خوارزمية مستمرة لمستعمرة النحل الاصطناعية لحل مشكلات تحديد مواقع المنشآت غير المحدودة السعة

طرائق أذكى لوضع المستودعات

تواجه أي شركة تشحن بضائع سؤالاً أساسياً لكنه مكلف: أين نضع مستودعاتنا أو مراكز الخدمة بحيث نخدم العملاء بتكلفة منخفضة وبشكل موثوق؟ تتناول هذه الورقة ذلك اللغز باستخدام خوارزمية مستوحاة من طريقة بحث نحلات العسل عن الطعام، وتُظهر كيف أن نسخة منقحة من هذه الطريقة المستوحاة من النحل يمكنها أن تخطط لهذه المواقع بدقة وثبات أكبر من العديد من التقنيات المنافسة.

تحدي اختيار المواقع

المسألة الرياضية وراء تحديد مواقع المستودعات تُسمى مشكلة تحديد مواقع المنشآت غير المحدودة السعة. تخيل قائمة بأماكن محتملة لفتح مستودعات، لكل منها تكلفة فتح ثابتة، وخريطة للعملاء، يجب أن يخدم كل عميل من موقع مفتوح واحد بالضبط بتكلفة توصيل معينة. الهدف هو أن تقرر أي المواقع تفتح وأي العملاء يخدمهم كل موقع، بحيث يكون مجموع تكاليف الفتح والتوصيل أقل ما يمكن. حتى لأجهزة الكمبيوتر، يتضخم عدد التركيبات الممكنة بشكل هائل كلما كبر حجم الشبكة، مما يعني أننا بحاجة إلى استراتيجيات بحث ذكية بدلاً من البحث الشامل.

التعلم من طريقة بحث النحل عن الغذاء

تستعير خوارزمية مستعمرة النحل الاصطناعية (ABC) سلوك النحل الحقيقي في استكشاف البيئة. في الخوارزمية، كل «نحلة» تمثل حلاً ممكنًا. النحل العامل يستكشف حول حله الحالي، والنحل المراقب يركز على الحلول الواعدة، والنحل الكشاف يتخلى عن الخيارات الضعيفة وينتقل إلى مناطق جديدة. بُنيت ABC أصلاً لتعديل القيم العددية المستمرة، مثل تحريك مقبض لأعلى أو لأسفل. ومع ذلك، قرارات تحديد مواقع المستودعات هي في جوهرها خيارات نعم-أو-لا: افتح هذا الموقع أم لا؛ عيّن هذا العميل هنا أم في مكان آخر. لذلك تكافح ABC الكلاسيكية ما لم تُحاط بآليات إضافية لترجمة بين الأرقام السلسة والقرارات الثنائية.

تحويل البحث السلس إلى قرارات حاسمة

يقترح المؤلفون نسخة يسمونها ABC المستمرة، أو cABC، التي تحافظ على البحث السلس للطريقة الأصلية لكنها تجعلها تتعامل طبيعياً مع الخيارات الثنائية. تسمح للخوارزمية بالتجوّل في فضاء مستمر بين 0 و1، معاملة كل قيمة على أنها احتمال أن تكون المنشأة مفتوحة. ثم يحول قاعدة بسيطة هذه القيم إلى قرارات واضحة بالفتح أو الإغلاق. لتجنب البدء من مجموعة تخمينات ضعيفة أو ضيقة، تستخدم cABC نمطاً «فوضوياً» لنثر حلولها الابتدائية على نطاق واسع عبر فضاء البحث. عندما يشير حل تجريبي إلى أنه لم يُفتح أي منشأة على الإطلاق، أو يكسر القواعد بطريقة أخرى، تقوم عملية إصلاح ديناميكية بتعديل عدة خيارات تلقائياً بحيث يصبح العمل قابلاً للتنفيذ دون الابتعاد كثيراً عن المناطق الواعدة.

سرب موجه وتعديلات تكيفية

بخلاف الإعداد الأساسي، تضيف cABC عدة تحسينات لمساعدة النحل الافتراضي على التعاون بشكل أكثر فعالية. بدلاً من تعديل موقع النحلة دائماً استناداً إلى نفسها وشريك عشوائي فقط، تسمح الخوارزمية أحياناً لحلول عشوائية أخرى بتوجيه التغيير، مستخدمة أحياناً حلولاً جيدة جداً وأحياناً أضعف للحفاظ على كل من التركيز والتنوع. يزعج مخطط متغير زمنياً أجزاءً أكثر من الحل تدريجياً مع تقدم البحث، مما يسمح بمشاركة أعمق للمعلومات بين النحل. أثناء مرحلة اختيار النحل المراقب للحلول التي سيُحسّنها، تضمن قاعدة احتمال معدلة أن تحصل حتى المرشحات المتوسطة على بعض الاهتمام، مما يقلل خطر انهيار السرب سريعاً حول خيار واحد فقط. أخيراً، عندما يفشل موقع نحلة لفترة طويلة، لا تتخلص cABC منه؛ بل تخلق نسخة «عكسية» من ذلك الحل، والتي غالباً ما تقع أقرب إلى أراضٍ أفضل مع إعادة استخدام المعرفة المكتسبة بالفعل.

اختبار سرب النحل

لاختبار ما إذا كانت هذه الأفكار مجدية، شغّل المؤلفون cABC على مجموعتين كبيرتين من مسائل الاختبار القياسية المستمدة من أدبيات بحوث العمليات، تغطي شبكات تتراوح من متواضعة إلى كبيرة جداً في الحجم. قارنوا نتائجها بنتائج ABC الأصلية ومع إحدى عشرة خوارزمية متقدمة أخرى مبنية على استعارات مختلفة، بما في ذلك اليراع، الغربان، الجراد، وبذور الأشجار. عبر هذه الاختبارات، لم تكتفِ cABC بمطابقة أو تحسين أفضل التكاليف المعروفة في معظم الحالات فحسب، بل فعلت ذلك بشكل أكثر موثوقية بكثير، وغالباً ما تصل إلى أفضل حل في كل تجربة مستقلة تقريباً. كان ميزتها أوضح خصوصاً في الأمثلة الأكبر والأكثر تطلباً، حيث كانت الطرق الأخرى غالباً ما تعلق في ترتيبات أكثر تكلفة.

ماذا يعني هذا للتخطيط في العالم الحقيقي

بعبارة مبسطة، تقدم هذه الدراسة مخططاً «مستنيراً بالنحل» أكثر اعتمادية لاتخاذ قرار أين تضع المستودعات أو المصانع أو مراكز الخدمة. من خلال السماح للخوارزمية بالتفكير باحتمالات سلسة ثم تحويلها بوضوح إلى قرارات نعم-أو-لا—مع إصلاح التخمينات السيئة والحفاظ على التنوع—تستكشف cABC فضاء الخيارات على نطاق واسع وبعمق. النتيجة هي أداة يمكنها إيجاد تصميمات أرخص وتكرار ذلك باستمرار، مما يجعلها مرشحة قوية للشركات والمخططين الذين يحتاجون إلى تصميم شبكات توزيع فعّالة من حيث التكلفة في عالم معقد وعلى نطاق واسع من اللوجستيات.

الاستشهاد: An, M., Xiang, W., Jiang, Y. et al. A continuous artificial bee colony algorithm for solving uncapacitated facility location problems. Sci Rep 16, 8780 (2026). https://doi.org/10.1038/s41598-026-37792-5

الكلمات المفتاحية: تحديد مواقع المنشآت, ذكاء السرب, التحسين الميتاهيرستيك, تخطيط اللوجستيات, مستعمرة النحل الاصطناعية