אלגוריתם אופטימיזציה היברידי לפתרון בעיות תכנון נתיבים המבוסס על אלגוריתם אופטימיזציית זאבי האפור

מסלולים חכמים בערים צפופות

בכל יום נהגים, רכבי משלוחים ורובוטים מתמודדים עם אותה שאלה: איך להגיע מנקודה A לנקודה B במהירות, בבטחה וללא בזבוז זמן או דלק? מאמר זה מציג שיטה מחשבית חדשה שמתכננת מסלולים קצרים וחלקים יותר ברשתות רחובות מורכבות, מלאות מכשולים ופקקי תנועה. על ידי שאיבת רעיונות מאופן הציד של זאבי האפור ומהדרכים שלהן מחפשי זהב, המחברים מראים כיצד לנווט כלי רכב ורובוטים בצורה יעילה יותר בסביבות עירוניות צפופות.

למה מסלולים טובים יותר חשובים

ככל שהערים מתרחבות והתנועה מתעבת, שיפורים קטנים בנתיבים יכולים לתרגם לחיסכון גדול בזמן, באנרגיה ובהזיהום. שיטות מסורתיות למציאת נתיבים עובדות היטב כאשר המפה פשוטה, אך לעתים קרובות מאיטות או נתקעות כאשר הסביבה עמוסת מפניות ומחסומים. שיטות חיפוש מודרניות מנסות לחקות טבע — כמו להקות ציפורים או מושבות נמלים — כדי לחקור אפשרויות רבות בו־זמנית ולהגיע לפתרונות טובים. אחת השיטות האלה, שנקראת אלגוריתם אופטימיזציית זאבי האפור, הפכה לפופולרית בזכות פשטותה וגמישותה, אך היא סובלת עדיין משלוש בעיות עיקריות: היא עלולה להיתפס בפתרונות תת-אופטימליים, יכולה להתכנס מוקדם מדי, ולא תמיד סורקת את כל המפה בצורה יסודית.

שילוב זאבים, כאוס וציידי זהב

כדי להתגבר על חולשות אלה, החוקרים תכננו גרסה משופרת שנקראת CGGWO. היא שומרת על הרעיון הבסיסי של להקת זאבי אפור וירטואליים המחפשים את הנתיב הטוב ביותר, אך משנה את אופן פיזור הלהקה ולמידתה. במקום להציב את הזאבים בנקודות התחלה אקראיות, השיטה משתמשת בטריק מתמטי בשם מיפוי כאוטי כדי לפזר אותם בצורה יותר אחידה באזור החיפוש. זה מגדיל את הסיכוי שמספר זאבים יגלו אזורים מבטיחים במפה. בנוסף, השיטה שואבת כלל מטכניקה אחרת בהשראת מחפשי זהב: הזאב המוביל "אלפא" נדחף לכיוון אזורים עשירים במיוחד בחלל החיפוש, בדומה לכך שמעבדה של כורה נעה בהדרגה לכיוון אזורים עם יותר זהב. שלב זה מזריק אקראיות מבוקרת ומגוון, ועוזר ללהקה להיחלץ מבחירות מקומיות גרועות.

חצייה חכמה ורעידה עדינה

CGGWO מוסיפה אז שני סוגי מהלכי "חצץ" שמערבבים מידע בין הזאבים. במהלך האופקי, שני נתיבי מועמדים מחליפים חלקים מהמסלול שלהם, מצמצים נקודות עיוורות ומעודדים כיסוי מפה מלא יותר. במהלך האנכי, מקטעים שונים בתוך אותו מסלול מתערבבים זה עם זה, מה שעלול להחיות חלקים נטולי תנועה בפתרון ולמנוע מהלהקה להיקבע מוקדם מדי על מסלול פגום. לבסוף, מנות קטנות של מוטציה גאוסית — נדישות אקראיות קטנות המנוהלות לפי ביצועי כל זאב — שומרות על חקירה מתמשכת. אם מסלול של זאב גרוע מהממוצע, הוא מקבל "רעידה" חזקה יותר, מה שעוזר לקבוצה להימנע מלהיתקע בפינה אחת של מרחב הפתרונות.

בדיקת השיטה החדשה

החוקרים בודקים תחילה את CGGWO על 23 חלוקות מתמטיות סטנדרטיות שמשמשות באופן נרחב להערכת אלגוריתמים חיפושים. התרגילים האלה נעים מנופים חלקים עם שקע יחיד מיטבי ועד משטחים קשים עם נקודות נמוכות מקומיות רבות. ברוב המבחנים הללו CGGWO מוצאת תשובות טובות יותר, מתכנסת מהר יותר ומפגינה יציבות גבוהה יותר מאשר כמה מתחרים ידועים, כולל אלגוריתם זאבי האפור המקורי, אופטימיזציית חלקיקי עדר ואלגוריתמים גנטיים. צוות החוקרים עובר לאחר מכן לבעיה מציאותית של תכנון נתיבים המבוססת על מבנה רחובות פשוט בסמוך לאזור מסחרי סואן בלhasa. המכשולים מייצגים מקטעים חסומים או עמוסים, והמטרה היא לחבר נקודת התחלה ונקודת סיום עם מסלול קצר וחלק שממנע מהם.

נסיעות קצרות וחלקות יותר

במבחן בסגנון תעבורה, CGGWO מפיקה בעקביות מסלולים קצרים יותר עם פחות פניות חדות לעומת שיטות אחרות, תוך צורך בזמן חישוב מתון. בהשוואה לאלגוריתם זאבי האפור המקורי ולכמה טכניקות מתחרות, המסלולים שתוכננו על ידו ישרים יותר וקלים יותר למעקב, ויכולים לקצר מרחקים בעד כ־25% בחלק מההשוואות. למשתמש מן השורה, המסקנה ברורה: על ידי שילוב חכם של רעיונות מתוך כאוס, ציד קבוצתי וצייד זהב, השיטה החדשה סורקת מפות ביתר יסוד ומכילה פחות סבירות להיתקע בפתרונות "מספיק טובים". הדבר הופך אותה לכלי מבטיח למערכות ניווט עתידיות, רובוטי משלוחים ומכונות חכמות אחרות שצריכות למצוא במהירות נתיבים בטוחים ויעילים במבוכים הצפופים והמשתנים של הערים המודרניות.

ציטוט: Cheng, G., Liu, Y. Hybrid optimization algorithm for solving path planning problems based on grey wolf optimization algorithm. Sci Rep 16, 8479 (2026). https://doi.org/10.1038/s41598-026-35037-z

מילות מפתח: תכנון נתיבים, אלגוריתם אופטימיזציה, תחבורה חכמה, אינטליגנציה של עדרים, ניווט רובוטי