طريقة أسرع لحل مشكلات التخطيط المعقدة: الذكاء الاصطناعي يُحسّن من كفاءة حلول التخطيط اللوجستي

طوّر باحثون من معهد ماساتشوستس للتكنولوجيا (MIT) نظامًا مُحسّنًا للتخطيط باستخدام تقنيات التعلّم الآلي، يُقلّل من وقت الحلّ بنسبة تصل إلى 50%، ويُنتج حلولًا تلبي بشكل أفضل أهداف المستخدم، مثل انطلاق القطارات في الوقت المحدد. يمكن استخدام هذه الطريقة الجديدة أيضًا لحل مشكلات لوجستية معقدة أخرى بكفاءة، مثل جدولة طاقم المستشفيات، وتعيين أطقم الطائرات، أو تخصيص المهام لآلات المصانع.

يعتمد النهج الجديد على تعليم نموذج تعلّم آلي تحديد الأجزاء من كل مشكلة فرعية التي يجب أن تظل دون تغيير، وتجميد تلك المتغيرات لتجنب الحسابات الزائدة. ثمّ، يتصدى مُحلّل خوارزمي تقليدي للمتغيرات المتبقية.

تقول كاثي وو (Cathy Wu)، أستاذة مساعدة في الهندسة المدنية والبيئية ومعهد البيانات والأنظمة والمجتمع في معهد ماساتشوستس للتكنولوجيا: “غالبًا ما يقضي فريق مُخصص شهورًا أو حتى سنوات في تصميم خوارزمية لحل واحدة فقط من هذه المشكلات التجميعية. يُتيح لنا التعلّم العميق الحديث فرصة استخدام التطورات الجديدة للمساعدة في تبسيط تصميم هذه الخوارزميات. يمكننا أن نأخذ ما نعرفه جيدًا، ونستخدم الذكاء الاصطناعي لتسريعه”.

عندما يواجه المُخطّطون مشكلة طويلة الأجل تتضمن تخصيص مجموعة محدودة من الموارد، مثل مهام المصنع، إلى مجموعة من الآلات، فإنهم غالبًا ما يُحددون المشكلة على أنها جدولة متعددة المهام المرنة (Flexible Job Shop Scheduling).

في جدولة متعددة المهام المرنة، تحتاج كل مهمة إلى وقت مختلف لإكمالها، ولكن يمكن تعيين المهام لأي آلة. في الوقت نفسه، تتكون كل مهمة من عمليات يجب إجراؤها بالترتيب الصحيح.

تصبح هذه المشكلات بسرعة كبيرة جدًا وصعبة على المُحللات التقليدية، لذلك يمكن للمستخدمين استخدام تحسين الأفق المتداول (RHO) لتقسيم المشكلة إلى أجزاء قابلة للإدارة يمكن حلها بشكل أسرع.

مع RHO، يُعيّن المستخدم عددًا أوليًا قليلًا من المهام إلى الآلات في أفق تخطيط ثابت، ربما نافذة زمنية مدتها أربع ساعات. ثمّ، يُنفذون المهمة الأولى في هذا التسلسل ويُحوّلون أفق التخطيط ذي الأربع ساعات إلى الأمام لإضافة المهمة التالية، ويتكرر ذلك حتى يتم حل المشكلة بالكامل ويتم إنشاء الجدول النهائي لتعيينات المهمة-الآلة.

يجب أن يكون أفق التخطيط أطول من مدة أي مهمة واحدة، نظرًا لأن الحل سيكون أفضل إذا اعتبرت الخوارزمية أيضًا المهام التي ستأتي لاحقًا.

ولكن عندما يتقدم أفق التخطيط، يُحدث ذلك بعض التداخل مع العمليات في أفق التخطيط السابق. توصلت الخوارزمية بالفعل إلى حلول أولية لهذه العمليات المتداخلة.

بالنسبة لتقنيتهم، التي يُسمّونها تحسين الأفق المتداول المُوجّه بالتعلّم (L-RHO)، علّم الباحثون نموذج تعلّم آلي للتنبؤ بالعمليات، أو المتغيرات، التي يجب إعادة حسابها عندما يتقدم أفق التخطيط.

يُطالب L-RHO ببيانات لتدريب النموذج، لذا يُحلّ الباحثون مجموعة من المشكلات الفرعية باستخدام مُحلّل خوارزمي تقليدي. وقد أخذوا أفضل الحلول – الحلول التي تحتوي على أكثر العمليات التي لا تحتاج إلى إعادة الحساب – واستخدموها كبيانات للتدريب.

بمجرد تدريبه، يتلقّى نموذج التعلّم الآلي مشكلة فرعية جديدة لم يرها من قبل ويتنبأ بالعمليات التي يجب عدم إعادة حسابها. يتمّ إدخال العمليات المتبقية مرةً أخرى إلى المُحلّل الخوارزمي، والذي يُنفّذ المهمة، ويُعيد حساب هذه العمليات، ويُحوّل أفق التخطيط إلى الأمام. ثمّ تبدأ الحلقة من الجديد.

أظهرت النتائج أنّ L-RHO تجاوز جميع المُقاييس الأُخرى، مُقلّلةً من وقت الحلّ بنسبة 54%، ومُحسّنةً جودة الحلّ بنسبة تصل إلى 21%.

يمكن أيضًا تكييف L-RHO إذا تغيّرت الأهداف، مُولّدةً خوارزمية جديدة حلّ المشكلة تلقائيًا – كلّ ما تحتاجه هو مجموعة بيانات تدريب جديدة.

هذا المحتوى تم باستخدام أدوات الذكاء الاصطناعي.