שימור ידע נוירלי ב־Artificial Bee Colony בעזרת למידה לשיפור אופטימיזציה גלובלית

עדרים דיגיטליים חכמים יותר לבעיות קשות

הרבה מהאתגרים הקשים של ימינו — החל בכיול פאנלים סולאריים ועד תכנון מסלולי משלוחים — מתמצים בחיפוש בתוך מרחבי אפשרויות עצומים אחרי הפתרון הטוב ביותר. אלגוריתמים בהשראת עדרים, שמחקים את האופן שבו דבורים או ציפורים חוקרות את סביבתן, מיושמים נרחב לחיפושים מסוג זה. אבל בעדרים הקלאסיים רוב הזמן מסתמכים על מקריות במקום על זיכרון. המאמר מציג דרך לגרום לאלגוריתם מבוסס־דבורים פופולרי "ללמוד" באמת מניסיון, ולהפוך אותו מניחוש מבריק לפותר בעיות מונחה־נתונים.

מנדוד עיוור לחיפוש מונחה

שיטות חיפוש מסורתיות ניתנות לתיאור כטיילים המערבלים בטווח הרים ערפילי בתקווה למצוא את הפסגה הגבוהה. "חיפוש אקראי" בסיסי נודד לכל עבר ומשפר לאט מאוד. אלגוריתמים אבולוציוניים מתקדמים יותר, כולל שיטת המושבה הדבורים המלאכותית (ABC), משתמשים בכלל־כללים בהשראת ברירה טבעית וחיפוש מזון: חלק מהדבורים הווירטואליות חוקרות אזורים חדשים, אחרות מנצלות מקומות טובים, ומקומות חלשים נזנחים. אף על פי כן, שיטות אלה לרוב מתעלמות מההיסטוריה העשירה של מה שעבד בעבר. כל צעד חדש נבחר בלי התחשבות בדפוסים המפורטים של הצלחות קודמות, וזה עלול להוביל להתקדמות איטית או להיתקעות על גבעת ביניים במקום להגיע לפסגה האמיתית.

ללמד את הדבורים לזכור ולחזות

המחברים מציעים את Learning‑Aided Artificial Bee Colony (LA‑ABC), שמשדרג את אלגוריתם הדבורים הסטנדרטי עם רשת נוירונים מלאכותית פשוטה — סוג של מוח מתמטי. בזמן שהדבורים הדיגיטליות מחפשות, האלגוריתם רושם "מהלכים מוצלחים": בכל פעם שמועמד פתרון חדש משפר באופן מובהק פתרון קודם, הזוג נשמר בארכיון מסתובב. דוגמאות אלה יוצרות מאגר ניסיון שתופס כיצד פתרונות טובים נוטים להתפתח. רשת הנוירונים מאומנת בזמן הריצה כדי ללמוד ממפה של "לפני" ל"אחרי": בהינתן פתרון מבטיח, היא חוזה כיצד לדחוף אותו לכיוון טוב יותר.

שני מסלולים: מקריות לעומת הדרכה מלומדת

לאחר שמנוע הלמידה פעיל, LA‑ABC רצה בשני מצבים מתחלפים. במצב אחד הדבורים מתנהגות כמו ב‑ABC המקורי, משתמשות בכלליו הדמויי־אקראי כדי לשמר חקירה ולהימנע מבטחון־עצמי מוגזם. במצב האחר האלגוריתם קורא למודל הלמדתי שלו. עבור דבורה נבחרת, רשת הנוירונים מציעה מיקום משופר, ומתווספת נגיעה קלה של מקריות כדי שהעדר לא יהפוך לנוקשה או יסתגל יתר על המידה לנתונים מוקדמים. חיבור כוון־בקרה קובע בתדירות משתמשים במסלול המונחה־למידה, מאזן בין חיפוש רחב לבין שיפור ממוקד. עיצוב זה מאפשר לעדר להפיק תועלת מהידע הנצבר תוך כדי חקירת אזורים חדשים שטרם נבדקו.

מבחנים לעדרים שלמדו

כדי לבדוק האם הלמידה באמת מועילה, המחברים בודקים את LA‑ABC על עשרות מבחנים מתמטיים הידועים כאתגריים: נופים חלקים וגזעיים, תרחישי פיק יחיד ותחרויות רב־פיקיות, ותערובות מורכבות של השניים. הם משווים אותו לעשרות אלגוריתמים מובילים, כולל גרסאות משופרות של Differential Evolution, Particle Swarm Optimization, ואלגוריתמים אחרים המנצלים ידע או מבוססי חיזוק. ברוב המבחנים LA‑ABC מגיע לפתרונות טובים יותר מהר ובאופן מהימן יותר, תוצאה שתומכה בבדיקות סטטיסטיות מרובות. לאחר מכן המחברים מיישמים את השיטה במשימה הנדסית מעשית: הערכת פרמטרים חשמליים נסתרים במודלים פוטו־וולטאיים (סולאריים). כאן LA‑ABC משחזרת ערכי פרמטרים התואמים לא רק לציפיות פיזיקליות — כגון התנגדויות ודפוסי דיודה ריאליסטיים — אלא גם משחזרת נתוני מדידה אמיתיים עם שגיאה נמוכה במיוחד.

מדוע זה חשוב לטכנולוגיה מעשית

המחקר מראה ששילוב רכיב למידה צנוע בתוך אלגוריתמי עדר יכול להחדד משמעותית את כוח החיפוש שלהם בלי להפוך אותם למסובכים מדי. LA‑ABC שומר על הפשטות והגמישות שעשו את אלגוריתם הדבורים המקורי פופולרי, תוך הוספת זיכרון של הצלחות עבר שמנחה בעדינות החלטות עתידיות. עבור לא־מומחים, המסקנה היא שברבים מכלי האופטימיזציה המשמשים בעורק ההנדסה, האנרגיה, הלוגיסטיקה ואפילו בלמידת מכונה, ניתן לשפר יעילות על ידי הזרקת מודולי למידה קטנים וממוקדים. במקום לנחש ללא הפסקה, העדרים הדיגיטליים הללו מתחילים לפעול יותר כמו חוקרים מנוסים — זוכרים היכן היו ומשתמשים בניסיון כדי לטפס לכיוונים טובים יותר.

ציטוט: 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

מילות מפתח: חוכמת עדר, מושבת דבורים מלאכותית, רשתות נוירונים, אופטימיזציה, אנרגיה סולארית