خوارزمية تحسين سرب الجسيمات جيبية‑جتية لتحسين القضايا واسعة النطاق

بحث أذكى للمشكلات المعقدة

من تخطيط طرق روبوت آمنة عبر مستودعات مزدحمة إلى ضبط شبكات الطاقة والتصاميم الهندسية، غالباً ما تتضمن أصعب مهام الحوسبة اليوم آلاف المتغيرات وقيوداً متشابكة. يمكن أن تَنهار أساليب البحث التقليدية، فتضيّع الوقت في استكشاف طرق مسدودة أو تقبل حلولاً متوسطة. تقدم هذه الورقة خوارزمية جديدة تعالج مثل هذه المشكلات الكبيرة والمعقدة بمزيد من الاعتمادية والكفاءة، وتظهر كيف يمكنها توجيه الروبوتات عبر بيئات مزدحمة ومتغيرة من دون اصطدامات.

لماذا السيطرة على المشكلات الكبيرة صعبة

تقع العديد من التحديات الحديثة ضمن ما يسميه الباحثون تحسينات واسعة النطاق: إيجاد أفضل تركيب من بين عدد هائل من الاحتمالات. تخيل محاولة اختيار أقصر وأأمن طريق لروبوت عندما تكون الخريطة مليئة بالجدران والعقبات المتحركة والممرات الضيقة. تقليدياً تتبع طرق شهيرة مثل تحسين سرب الجسيمات (PSO) وخوارزمية الجيب‑الجيتي (SCA) سلوك مجموعات من الوكلاء البسيطين الذين يبحثون في فضاء الحلول. هي سهلة الاستخدام وسريعة، لكنها تميل إلى التكتل حول مناطق واعدة بسرعة كبيرة. ونتيجة لذلك، غالباً ما تعلق في نقاط محلية «جيدة بما فيه الكفاية» بدلاً من اكتشاف الحل الأفضل فعلياً، خاصة عندما يزداد عدد الأبعاد—الخيارات المستقلة التي يجب اتخاذها—بشكل كبير.

دمج سربين في بحث أقوى

لتجاوز هذه الحدود، يصمم المؤلف طريقة هجينة محسّنة تسمى ISCA‑PSO، تدمج نسخة مطورة من SCA مع PSO. ترتكز الترقية على فكرتين أساسيتين. أولاً، آلية تصحيح الموضع الديناميكية تقيس باستمرار مدى بُعد كل حل مرشح عن الحل الأفضل الحالي. عندما يكون الحل بعيداً، تقوم الخوارزمية بدفعه بقوة أكبر نحو المنطقة الأفضل لتسريع التقارب. وعندما يكون قريباً بالفعل، تسمح الطريقة ببقائه مستقلاً إلى حد ما حتى لا ينهار السرب بسرعة إلى نقطة واحدة. ثانياً، آلية التقاطع العمودية (Orthogonal Crossing) تستعير أدوات من تصميم التجارب لمزج المعلومات من حلول جيدة مختلفة بطريقة منهجية. بدلاً من التزاوج العشوائي، تولّد مجموعة صغيرة لكن مُختارة بعناية من المرشحين الجدد التي تنتشر عبر فضاء البحث، محافظةً على التنوع مع تجنّب انفجار التوافيق. معاً، تمكّن هاتان الآليتان الطريقة الهجينة من موازنة الاستكشاف الواسع مع التكرير المركّز.

اختبار الهجينة

اختبرت الخوارزمية الجديدة على مجموعة من دوال المعيارية الصعبة التي يستخدمها الباحثون حول العالم لمقارنة أدوات التحسين. صُممت هذه الدوال لتكون خادعة، فيها العديد من القمم والقيعان والمناطق المسطحة التي يمكن أن تحاصر طرق البحث الساذجة. عبر عدة مجموعات اختبار حديثة وفي أبعاد تصل إلى عشرة آلاف، تصل ISCA‑PSO باستمرار إلى حلول قريبة جداً من الأفضل نظرياً، مع الحفاظ على تباين منخفض بين التجارب. في المقابل، تفقد SCA الأصلية وعدة طرق متقدمة أخرى الدقة أو تصبح غير مستقرة مع زيادة الأبعاد. تؤكد الاختبارات الإحصائية أن مكاسب الأداء ليست محض صدفة: عادةً ما تحتل الطريقة الهجينة المرتبة الأولى بين الخوارزميات المتنافسة في المشكلات عالية الأبعاد.

توجيه الروبوتات بأمان عبر عوالم مزدحمة

لإظهار أن هذه التحسينات ذات أثر عملي، يطبق البحث ISCA‑PSO على تخطيط مسارات الروبوت. توصف المسارات بمنحنيات ناعمة مبنية من تسلسلات نقاط مسار، ويُفرض الأمن باشتراط مسافة دنيا بين جسم الروبوت وأي عقبة. في خريطتين ثنائيتي البعد معقدتين مليئتين بالحواجز، تجد الخوارزمية الجديدة مسارات أقصر من عدة بدائل معروفة، مع الحفاظ على هوامش أمان أوسع. في محاكيات أكثر تطلباً تضم العديد من العقبات المتحركة، تخطط مسارات تتجنب الاصطدامات تماماً عبر تجارب متكررة، مع المحافظة على أزمنة حساب معقولة. المسارات ليست قصيرة فحسب بل نسبياً ناعمة أيضاً، مما يسهل تتبعها بواسطة روبوتات حقيقية. حتى في متاهات ثنائية البعد متطرفة تضم مئات العقبات وفي مشاهد ثلاثية البعد المعقّدة المليئة بالحواجز، تحقق ISCA‑PSO أفضل مزيج من طول المسار، ومعدل النجاح، والمتانة مقارنة بمجموعة من طرق الحالة‑الفنية المتقدمة.

ماذا يعني هذا للأنظمة الواقعية

بالنسبة لغير المتخصصين، الرسالة الأساسية أن هذا العمل يوفر طريقة أكثر اعتمادية للبحث في فضاءات حلول هائلة وفوضوية. عبر توجيه سرب افتراضي بعناية—التقريب حول المناطق الواعدة دون فقدان قدرة الاستكشاف—تجد خوارزمية ISCA‑PSO إجابات أفضل في كثير من الأحيان، حتى مع تصاعد حجم المشكلات بشكل كبير. وبشكل ملموس، يعني ذلك روبوتات يمكنها التجول بأمان وكفاءة عبر بيئات مزدحمة ومتغيرة، وأدوات تحسين يمكن الوثوق بها في مهام هندسية معقدة حيث تهم الدقة والسرعة معاً. قد تجعل الإضافات المستقبلية التي تضيف وعيًا أغنى بالتضاريس والبيئة هذا النهج أكثر فائدة على نطاق واسع في الأنظمة الذاتية الواقعية.

الاستشهاد: Wang, Y. Sine cosine particle swarm optimization algorithm for optimizing large scale issues. Sci Rep 16, 12303 (2026). https://doi.org/10.1038/s41598-026-41180-4

الكلمات المفتاحية: التحسين واسع النطاق, خوارزميات ميتاهوريستيك, سرب الجسيمات, تخطيط مسار الروبوت, خوارزمية جيبية‑جتية