خوارزمية خلية النحل الاصطناعية المعززة بالتعلم مع نقل المعرفة العصبية للتحسين الشامل

أسراب رقمية أذكى للمشكلات الصعبة

تتحول العديد من أصعب تحديات اليوم — من ضبط ألواح الطاقة الشمسية إلى تخطيط طرق التوصيل — إلى البحث عبر فضاءات احتمال هائلة عن أفضل حل. تُستخدم خوارزميات مستوحاة من أسراب الكائنات، التي تحاكي كيفية استكشاف النحل أو الطيور لبيئتها، على نطاق واسع لهذا النوع من البحث. لكن النسخ التقليدية من هذه الخوارزميات تعتمد إلى حد كبير على الصدفة بدلاً من الذاكرة. تقدم هذه الورقة طريقة لتحويل خوارزمية شهيرة قائمة على النحل إلى نموذج يتعلم بالفعل من الخبرة، مما يحولها من مُخمن ماهر إلى مُحلل مشكلات قائم على البيانات.

من الترحال الأعمى إلى الاستكشاف الموجه

يمكن تصور طرق البحث التقليدية كمتنزهين يتعثرون حول سلسلة جبال مغطاة بالضباب، على أمل العثور على القمة الأعلى. «البحث العشوائي» الأساسي يتجوّل بلا هدف، ويتحسن ببطء شديد. تستخدم خوارزميات التطور الأكثر تقدماً، بما في ذلك طريقة خلية النحل الاصطناعية (ABC)، قواعد مستوحاة من الانتقاء الطبيعي والتغذية: بعض النحل الافتراضي يستكشف مناطق جديدة، وآخرون يستغلون البقع الجيدة، وتُهجر المواقع الضعيفة. ومع ذلك، حتى هذه الأساليب تتجاهل في الغالب التاريخ الغني لما نجح سابقاً. يُتخذ كل تحرك جديد مع اهتمام ضئيل بأنماط النجاح الماضية التفصيلية، مما قد يؤدي إلى تقدم بطيء أو الوقوع على تلة متوسطة بدل القمة الحقيقية.

تعليم النحل أن يتذكر ويتنبأ

يقترح المؤلفون خوارزمية خلية النحل الاصطناعية المعززة بالتعلم (LA-ABC)، التي ترقّي خوارزمية النحل القياسية بشبكة عصبية اصطناعية بسيطة — نوع من الدماغ الرياضي. أثناء بحث النحل الرقمي، يسجل النظام «الحركات الناجحة»: كلما تحسّن حل مرشّح جديد بوضوح مقارنة بقدیمه، يُخزن الزوج في أرشيف دوار. تشكل هذه الأمثلة بنك خبرة يلتقط كيف تميل الحلول الجيدة إلى التطور. تُدرَّب الشبكة العصبية عبر الإنترنت، أثناء التشغيل، لتعلّم تحويل من «قبل» إلى «بعد»: بالنظر إلى حل واعد، تتنبأ الشبكة بكيفية دفعه نحو حل أفضل.

مساران: الصدفة مقابل التوجيه المتعلم

بمجرد تفعيل محرك التعلم هذا، تعمل LA-ABC في نمطين متناوبين. في نمط، يتصرف النحل كما في ABC الأصلي، مستخدماً قواعد شبيهة بالعشوائية للحفاظ على الاستكشاف وتجنب الثقة المفرطة. في النمط الآخر، يستدعي النظام نموذجه المتعلّم. لنبضة نحل مختارة، تقترح الشبكة العصبية موقعاً محسناً، ويُضاف قدر خفيف من العشوائية حتى لا يصبح السرب جامداً أو مفرط التكيّف مع البيانات الأولية. مقبض تحكم يحدد عدد مرات استخدام المسار الموجه بالتعلم، موازنًا البحث الواسع مع الصقل المركز. يسمح هذا التصميم للسرب بالاستفادة من معرفته المتراكمة مع الاستمرار في استكشاف مناطق جديدة غير مُجرّبة.

اختبار الأسراب المتعلمة

لفحص ما إذا كان التعلم يساعد حقاً، يختبر المؤلفون LA-ABC على عشرات من مجموعات الاختبار الرياضية المعروفة بتحديّتها: مناظر ناعمة ووعرة، سيناريوهات بقمة واحدة وعدّة قمم، وخليط معقد من الاثنين. يقارنونها مع نحو اثنتي عشر خوارزمية رائدة، بما في ذلك نسخ محسنة من التطور التفاضلي، وتحسين سرب الجسيمات، وأسراب أخرى مدعومة بالمعرفة والتعلّم التعزيزي. عبر معظم الاختبارات، تصل LA-ABC إلى حلول أفضل بشكل أسرع وأكثر موثوقية، وهي نتيجة تؤكدها فحوصات إحصائية متعددة. ثم يطبّق المؤلفون الطريقة على مهمة هندسية عملية: تقدير معلمات كهربائية مخفية لنماذج الخلايا الكهروضوئية (الطاقة الشمسية). هنا، تستعيد LA-ABC قيم معلمات لا تطابق التوقعات الفيزيائية فحسب — مثل مقاومات وسلوك الصمام الواقعى المعقولين — بل تعيد أيضاً إنتاج بيانات قياس حقيقية بخطأ منخفض بشكل خاص.

لماذا يهم هذا للتكنولوجيا في العالم الواقعي

تظهر الدراسة أن إضافة مكوّن تعلم متواضع إلى خوارزميات الأسراب يمكن أن يشحذ قدرتها على البحث بشكل ملحوظ دون جعلها مرهقة الاستخدام. تحافظ LA-ABC على البساطة والمرونة التي جعلت خوارزمية النحل الأصلية شائعة، مع إضافة ذاكرة للنجاحات الماضية توجه القرارات المستقبلية بلطف. للمستخدمين غير المتخصصين، الخلاصة هي أن العديد من أدوات التحسين المستخدمة خلف الكواليس في الهندسة والطاقة واللوجستيات وحتى تعلّم الآلة يمكن أن تصبح أكثر كفاءة بدمج وحدات تعلم صغيرة ومركّزة. بدلاً من التخمين اللامتناهي، تبدأ هذه الأسراب الرقمية في التصرف أكثر مثل المستكشفين المتمرسين — يتذكرون أماكنهم السابقة ويستخدمون تلك الخبرة للصعود نحو حلول أفضل.

الاستشهاد: Saini, G., Jadon, S.S. & Chaube, S. Learning-aided Artificial Bee Colony with neural knowledge transfer for global optimization. Sci Rep 16, 7019 (2026). https://doi.org/10.1038/s41598-026-38028-2

الكلمات المفتاحية: ذكاء الجماعات, خلية النحل الاصطناعية, الشبكات العصبية, التحسين, الطاقة الشمسية