محسّن نظام مصرفي متصل مع استراتيجيات متعددة لمشكلات التحسين العددية

بحث أذكى لمشكلات التصميم الصعبة

تتضمن الهندسة الحديثة وعلوم البيانات العديد من مهام «الضبط» الصعبة: اختيار أفضل شكل لجسر، أو إعدادات شبكة طاقة أكثر كفاءة، أو المعلمات المناسبة لنموذج تعلم آلي. تشبه هذه المشكلات سلاسل جبلية واسعة ذات قمم ووديان كثيرة، حيث يصبح العثور على القمة الأعلى يدويًا أمرًا مستحيلًا. يقدم هذا البحث طريقة بحث حاسوبية جديدة، المحسّن المعزز لنظام المصرف المتصل (ECBSO)، التي تستخدم استعارة شبكة مصرفية لاستكشاف هذه التضاريس بذكاء وموثوقية أكبر من العديد من الأساليب الحالية.

من التحويلات المصرفية إلى تصميمات أفضل

يبني ECBSO على خوارزمية سابقة تسمى المحسّن لنظام المصرف المتصل (CBSO). تتخيل CBSO شبكة من البنوك ترسل الأموال فيما بينها عبر طرق مختلفة. تمثل كلّ مسار ممكن حلًا مرشحًا لمشكلة تصميم، ويعكس الوقت المستغرق في التحويل جودة ذلك الحل. من خلال تجربة مسارات متنوعة وتعديلها بمرور الوقت، تبحث الخوارزمية عن طرق أسرع وأكثر كفاءة — وبمعنى آخر، حلول أفضل. كانت لدى CBSO ميزة رئيسية: أنها تحتاج تكاد لا تحتاج إعدادات مضبوطة يدويًا، مما يجعل تطبيقها سهلاً. لكنها كانت تعاني أيضًا من نقاط ضعف: لم تكن تشارك المعلومات جيدًا عبر «بنوكها» وتنتقل بشكل حاد جدًا من البحث الواسع إلى الضبط الدقيق، مما يؤدي غالبًا إلى التوقف عند حلول من الدرجة الثانية.

ثلاث حيل جديدة: التغذية الراجعة، التجديد والأنماط

طور المؤلفون CBSO إلى ECBSO بإضافة ثلاث أفكار تكميلية. أولاً، تسمح استراتيجية اختيار قائمة على التغذية الراجعة لكل «بنك» بالاستجابة لأدائه الأخير. إذا حسّن أسلوب معيّن في تحديث المسار الأمور، يُحتفظ بتلك الطريقة؛ وإن لم يحدث، ينتقل البنك إلى أسلوب مختلف في المرة التالية. تحل حلقة التغذية الراجعة البسيطة هذه محل المراحل الصارمة والمخطط لها مسبقًا وتُمكّن البحث من التكيف فورًا مع التضاريس التي يواجهها. ثانيًا، تستبدل استراتيجية التجنيد المتجددة أحيانًا جزءًا فقط من التجمع بدلاً من تحريك الجميع دفعة واحدة. تقيس هذه الاستراتيجية مدى انتشار الحلول ومعدل تحسّنها، ثم تُجدد مرشحين محددين عندما يبدو أن البحث يتباطأ أو يَتقارب بشكل ضيق جدًا.

تعلم شكل فضاء البحث

الفكرة الثالثة، المسماة تقدير التوزيع، تبحث عن أنماط في أفضل الحلول التي وُجدت حتى الآن. بدلًا من دفع المرشحين عشوائيًا على كل إحداثي على حدة، يبني ECBSO صورة إحصائية بسيطة لكيفية ترتيب الحلول الجيدة في الفضاء. ثم يولد مرشحين جددًا يتبعون هذا النمط المكتسب، مع إيلاء اهتمام خاص للاتجاهات التي تبدو فيها المتغيرات مرتبطة بقوة. يساعد ذلك البحث على التحرك بذكاء عبر التضاريس الصعبة، حيث يغطي مناطق واسعة في المراحل المبكرة ثم يضيق التركيز قرب المناطق الواعدة. تُخلط المرشحات الجديدة المأخوذة من هذا النموذج مع تلك الناتجة عن العملية المصرفية الأصلية، ولا يستمر إلا أفضل الناجين، محافظين بذلك على كل من التنوع والضغط نحو التحسن.

وضع الطريقة على المحك

لتقييم ما إذا كانت هذه الأفكار مفيدة بالفعل، اختبر المؤلفون ECBSO على مجموعة كبيرة ومعروفة من مشكلات الاختبار الاصطناعية المعروفة باسم CEC-2017. تحاكي هذه المشكلات العديد من صعوبات العالم الحقيقي: فبعضها يحتوي على إجابة وحيدة واضحة، بينما يحتوي البعض الآخر على قمم مضللة عديدة أو تضاريس مركبة. قورن ECBSO بعشرة منافسين متقدمين مأخوذين من عائلات مختلفة من طرق البحث، بما في ذلك الخوارزميات التطورية، والمستوحاة من السرب، والمستوحاة من الفيزياء، والمستمدة من الرياضيات. باستخدام اختبارات إحصائية قياسية، تُظهر الدراسة أن ECBSO عادةً ما يجد إجابات أفضل، ويفعل ذلك باستمرار، لا سيما في المشكلات عالية الأبعاد حيث غالبًا ما تفشل الطرق الأبسط.

من المعايير إلى الهندسة الواقعية

بعيدًا عن الاختبارات الاصطناعية، يطبق المؤلفون ECBSO على عشرة مهام تصميم هندسي حقيقية، مثل تصميم النوابض، وأوعية الضغط، وتركيبات التروس، وقطع روبوتية ضمن قيود متعددة تتعلق بالأمان والتكلفة. هذه مشكلات مقيدة، مما يعني أن العديد من التصميمات التي تبدو جيدة محظورة لأنها تنتهك قواعد الإجهاد أو الحجم أو الأداء. يتعامل ECBSO مع ذلك عن طريق معاقبة القواعد المنتهكة بينما توجهه استراتيجياته الثلاث نحو تصميمات ممكنة وعالية الجودة. عبر هذه الحالات، غالبًا ما يحتل مراتب عالية أو قريبة من القمة مقارنة بنفس مجموعة الخوارزميات المنافسة، ويقدم حلولًا ليست جيدة فحسب بل مستقرة أيضًا من تنفيذ لآخر.

ما معنى هذا للتكنولوجيا اليومية

بعبارات بسيطة، تُظهر الورقة أن إضافة تغذية راجعة بسيطة وتجديد انتقائي وتعلم الأنماط إلى بحث مستوحى من المصارف يمكن أن يحسّن قدرة الحاسوب على حل مشكلات التصميم الصعبة بشكل ملحوظ. يتطلب ECBSO وقتًا حسابيًا أكثر قليلاً من طريقة الأصل، لكن العائد هو حلول أفضل وأكثر موثوقية، لا سيما في الإعدادات المعقدة والعالية الأبعاد. ومع أن التحسين يشكّل أساسًا خفيًا في مجالات من نظم الطاقة إلى النقل والتمويل والتصوير الطبي، فإن طرقًا مثل ECBSO تعد بجعل عملية «الضبط» غير المرئية وراء التقنيات اليومية أكثر كفاءة ومرونة ومتانة.

الاستشهاد: Yin, Y., Liu, H., Cai, S. et al. An enhanced connected banking system optimizer with multiple strategies for numerical optimization problems. Sci Rep 16, 12564 (2026). https://doi.org/10.1038/s41598-026-38261-9

الكلمات المفتاحية: التحسين فوق التوغلي (الميتاهيوريستيك), تصميم هندسي, خوارزميات البحث العالمي, التحسين العددي, نماذج شبكات البنوك