تحسين تكيفي معزَّز لتقنية رعي الفيلة قائم على خوارزمية البحث المتبادل الشبحية وتعلُّم المعارضة النخبوية

بحث أذكى للمشكلات الصعبة

العديد من التحديات الحديثة، من ضبط نماذج التعلم الآلي إلى تصميم جسور أرخص، تتلخّص في البحث عن أفضل خيار بين عدد هائل من الاحتمالات. تقدم هذه الورقة طريقة بحث أذكى تدمج أفكاراً من قطعان الفيلة، وطيور جوالة، وطريقة ذكية للنظر إلى التخمينات «العكسية». النتيجة أداة حاسوبية تعثر على إجابات جيدة بسرعة أكبر وبموثوقية أعلى عبر مجموعة واسعة من مشكلات الاختبار والمهام الهندسية العملية.

لماذا العثور على الحل الأفضل صعب للغاية

عندما يحاول المهندسون أو العلماء تحسين تصميم ما، يواجهون غالباً «منظوراً» مليئاً بالتلال والوديان، حيث يمثل كل نقطة حلاً محتملاً مختلفاً. الطرق التقليدية قد تنزلق بسهولة إلى وادٍ قريب وتعلق هناك، فاترة البحث عن الوادي الأعمق الذي يمثل الحل الأفضل حقاً. أساليب مستوحاة من الطبيعة سابقاً، مثل خوارزمية رعي الفيلة، أدت عملاً مقبولاً عبر محاكاة كيفية تتبُّع الفيلة لقادة العشيرة مع الحفاظ على بعض التنوع داخل القطيع. ومع ذلك، كانت لتلك الطريقة ثلاث نقاط ضعف رئيسية: احتمال الاستقرار المبكر على حل متوسط، وعدم الانتقال السلس من الاستكشاف الواسع إلى الضبط الدقيق، وبطء في المراحل المتأخرة من البحث.

مزج ثلاث أفكار بسيطة

يقترح المؤلفون خوارزمية جديدة اسمها AEHOCSEOBL تتعامل مع هذه القضايا بمزج ثلاث أفكار. أولاً، يعدِّلون مدى اتِّباع كل فيل لقائد عشيرته مع الزمن باستخدام جدول تكيفي. في المراحل المبكرة، تتجول الفيلة على نطاق واسع لتمكين الخوارزمية من مسح مناطق واسعة؛ لاحقاً، يضيق القطيع حول البقع الأكثر وعداً لصقل الحل النهائي. ثانياً، يستعيرون سلوكاً من طريقة بحث الدخيل: قفزات طويلة متقطعة، مستوحاة من مسارات الطيور الاضطرابية، تُطبَّق فقط على قادة العشائر. تسمح هذه الخطوات الكبيرة للقادة بالهروب من المناطق السيئة وحمل أتباعهم نحو وديان أفضل دون إحداث فوضى في كامل القطيع.

إضافة تخمينات «عكسية» للحفاظ على الفضول

الفكرة الثالثة تسمى تعلُّم المعارضة النخبوية، لكن جوهرها بديهي. كلما اكتشفت الخوارزمية حلولاً مرشحة جيدة بشكل خاص، تولِّد أيضاً تخمينات جديدة تكون «عكسية» لها بشكل مُسيطَر عليه داخل النطاق المسموح. عبر فحص كل من التخمينات النخبوية وعكسها، تحافظ الطريقة على خياراتها مفتوحة حول المناطق الأكثر وعداً بدلاً من التجمُّع في زاوية ضيقة. يساعد هذا الفضول الإضافي البحث على تجنُّب الوقوع في وديان محلية صغيرة مع الاستمرار في الاقتراب من مناطق عالية الجودة في المنظور.

الاختبار على مسائل رياضية وتصاميم حقيقية

لاسترشاد بفاعلية هذه الاستراتيجية المجمعة، اختبرها المؤلفون على عشرة مسائل رياضية معيارية تُستخدم على نطاق واسع لتقييم طرق التحسين. تختبر بعض هذه المشكلات سرعة النزول في وادٍ أملس واحد، بينما تمتلئ أخرى بالعديد من القمم والحفر التي قد تحبس بحثاً غير حذر. عبر كل هذه الاختبارات، وصلت المقاربة الجديدة باستمرار إلى أخطاء أقل وأظهرت سلوكاً أكثر استقراراً مقارنة بمنافسين معروفين مثل تحسين سرب الجسيمات، وخوارزمية الجيب-جيب (Sine Cosine Algorithm)، وعدة هجائن سابقة قائمة على الفيلة. في بعض الحالات وصلت إلى القيمة المثلى المعروفة أو حققت خطأً متوسطاً أصغر بكثير.

من النظرية إلى الهندسة العملية

بعيداً عن الاختبارات التركيبية، طبَّق الباحثون طريقتهم على مشكلتين هندسيتين حقيقيتين. الأولى تصميم مرشح معالجة إشارات متخصص، حيث الهدف ضبط إعدادات مترابطة عدة لتنقية الإشارات المشوشة دون تشويه. والثانية مسألة تصميم شعاع ملحوم كلاسيكية، تتطلب تقليل تكلفة المواد مع احترام حدود السلامة على الإجهادات والانثناء والانحراف. في كلتا الحالتين، وجدت الخوارزمية الجديدة تصاميم أرخص أو أكثر دقة مع الحفاظ على اتساق النتائج عبر تكرار التشغيل، مما يدل على أن الطريقة ليست مجرد رياضيات ذكية بل مفيدة عملياً.

ماذا يعني هذا لغير المتخصصين

بعبارات بسيطة، تقدم هذه الدراسة «خريطة كنز» أكثر موثوقية لأي شخص يحتاج إلى البحث في فضاءات كبيرة من الاحتمالات. عبر البدء من نطاق واسع، والسماح للقادة بالقيام بقفزات جريئة، والتحقق باستمرار من تخمينات عكسية مختارة بذكاء، تتجنّب الطريقة العديد من الفخاخ التي تبطئ أو تضلل الأدوات القديمة. لا يدّعي المؤلفون أنها مثالية لكل حالة، ويشيرون إلى أن المشكلات ذات الأبعاد العالية جداً أو المقيدة بشدة ما تزال تمثل تحديات. ومع ذلك، توفّر AEHOCSEOBL وصفة مرنة وعامة يمكن تكييفها لمهام في أنظمة الطاقة، والتعلم الآلي، والتصنيع، وما وراءها، لمساعدة الحواسيب على اكتشاف حلول أفضل مع تجارب أقل وأخطاء أقل.

الاستشهاد: Mohamed, Z.E., Dabour, W. An enhanced adaptive elephant herding optimization based on hybrid cuckoo search algorithm and elite opposition-based learning. Sci Rep 16, 15221 (2026). https://doi.org/10.1038/s41598-026-48615-y

الكلمات المفتاحية: التحسين التوضيبي, خوارزمية رعي الفيلة, بحث الدخيل, تعلُّم المعارضة, تصميم هندسي