💻 computer science

A2DEPT: Large Language Model-Driven Automated Algorithm Design via Evolutionary Program Trees

يُعد A2DEPT إطار عمل مبتكر يسخر النماذج اللغوية الكبيرة كمعماريين على مستوى النظام ضمن عملية بحث تطوري في أشجار البرامج، مقترناً بآلية إصلاح مدفوعة بالتغذية الراجعة، وذلك لتخليق خوارزميات كاملة وقابلة للتنفيذ لمشكلات الأمثلة التوافقية بشكل ذاتي، مما يتجاوز قيود القوالب الجامدة للطرق الحالية ويحقق أداءً فائقاً.

المؤلفون الأصليون: Bin Chen, Shouliang Zhu, Beidan Liu, Yong Zhao, Tianle Pu, Huichun Li, Zhengqiu Zhu

نُشر 2026-04-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Bin Chen, Shouliang Zhu, Beidan Liu, Yong Zhao, Tianle Pu, Huichun Li, Zhengqiu Zhu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك بحاجة إلى حل لغز ضخم ومعقد، مثل تنظيم مسار توصيل لـ 1,000 شاحنة أو جدولة مصنع يضم مئات الآلات. هذه هي "مشكلات التحسين التوليفي" (Combinatorial Optimization Problems). تقليديًا، كان على البشر الجليد ووضع القواعد (الاستدلالات - heuristics) يدويًا لكيفية حل هذه الألغاز. كانت العملية بطيئة، وتتطلب خبرة عميقة، وغالبًا ما كانت القواعد تنهار إذا تغيرت المشكلة قليلًا.

مؤخرًا، بدأنا في استخدام النماذج اللغوية الكبيرة (LLMs) — وهي نفس الذكاء الاصطناعي الذي يكتب المقالات والأكواد البرمجية — للمساعدة في تصميم هذه القواعد. ومع ذلك، فإن معظم الطرق الحالية تشبه إعطاء الذكاء الاصطناعي مجموعة "ليجو" مع دليل تعليمات ثابت. يمكن للذكاء الاصطناعي استبدال بعض القطع (تعديل قاعدة محددة)، لكنه لا يستطيع تغيير الهيكل العام للقلعة. إذا قال الدليل "ابنِ برجًا"، فلا يمكن للذكاء الاصطناعي أن يقرر بناء جسر بدلاً من ذلك، حتى لو كان الجسر سيعمل بشكل أفضل.

إليك A2DEPT.

يقترح المؤلفون نظامًا جديدًا يسمى A2DEPT (تصميم الخوارزميات الآلي عبر أشجار البرامج التطورية). بدلًا من إعطاء الذكاء الاصطناعي دليلًا ثابتًا، هم يتركونه يعمل كـ مهندس معماري رئيسي يمكنه إعادة تصميم المبنى بالكامل من الصفر.

إليك كيف يعمل، باستخدام تشبيهات بسيطة:

1. "شجرة" الأفكار

تخيل شجرة عائلة، ولكن بدلًا من البشر، هي شجرة من برامج الكمبيوتر.

الجذور: تبدأ العملية ببضعة برامج أساسية تعمل بالفعل.
الأغصان: يأخذ الذكاء الاصطناعي برنامجًا، ويجري عليه تغييرًا (طفرة)، وينتج عنه "ابن" برمجي.
الاختيار: تمامًا كما في الطبيعة، بعض "الأبناء" يكونون أفضل في حل اللغز من آبائهم. يقوم النظام بالاحتفاظ بالأفضل منهم ويحاول تحسينهم أكثر.

2. "طاقم البناء" (العمال الثلاثة)

للتأكد من أن الذكاء الاصطناعي لا يصنع مجرد أكواد عشوائية أو معطلة، يستخدم A2DEPT ثلاثة أنواع محددة من "العمال" لتعديل البرامج:

المُصلّح (التعديل الدقيق - Micro-tuning): هذا العامل يقوم بتعديلات صغيرة وآمنة. قد يقوم بتعديل رقم أو إصلاح خطأ منطقي داخل دالة معينة، مثل شحذ أداة. هو لا يغير المخطط الأساسي.
المهندس المعماري (الطفرة الكلية - Macro-mutation): هذا العامل جريء. يمكنه هدم جدار وبناء غرفة جديدة. يمكنه إعادة كتابة التدفق الرئيسي للبرنامج، وتغيير كيفية تفكير الخوارزمية من البداية إلى النهاية.
الخلاط (التهجين - Crossover): هذا العامل يأخذ أفضل الأفكار من برنامجين مختلفين ("أبوين") ويمزجهما معًا لإنشاء "ابن" هجين.

3. "مفتش السلامة" (صيانة البرنامج)

هنا يكمن التحدي الأكبر: عندما تسمح للذكاء الاصطناعي بإعادة تصميم برنامج كامل، فإنه غالبًا ما ينشئ كودًا لا يعمل. قد يستدعي دالة غير موجودة أو ينسى استيراد مكتبة برمجية.

المشكلة: في الماضي، إذا تعطل الكود، كان يتم التخلص من المحاولة بأكملها.
حل A2DEPT: أضافوا مفتش سلامة. قبل اختبار الكود الجديد، يقوم هذا المفتش بفحصه. إذا كان ينقصه جزء (مثل دالة مفقودة)، يطلب المفتش من الذكاء الاصطنا_ي كتابة هذا الجزء المفقود فورًا. إذا كان الكود يحتوي على نهايات مسدودة (أجزاء لا تُستخدم أبدًا)، يقوم المفتش بقصها.
النتيجة: يضمن هذا أن كل فكرة جديدة يولدها الذكاء الاصطناعي هي في الواقع قابلة للتشغيل، مما يسمح للبحث بالاستمرار دون توقف.

4. "الفلتر الذكي" (الاختيار الهجين)

كيف يقرر النظام أي البرامج يحتفظ بها؟

قاعدة "جيد بما يكفي": أحيانًا، يكون البرنامج الجديد أسوأ قليًا من "الأب"، لكنه يمتلك هيكلًا فريدًا قد يؤدي إلى طفرة لاحقًا. يستخدم A2DEPT فلترًا ذكيًا (يعتمد على طريقة تسمى "التلدين المحاكى" - Simulated Annealing) يسم يسمح لهذه البرامج "الواعدة ولكنها حاليًا أسوأ" بالبقاء، مما يمنع النظام من العلوق في روتين محلي.
قاعدة "التنوع": كما أنه يختار عشوائيًا بعض البرامج القديمة والمثيرة للاهتمام من شجرة التاريخ للحفاظ على تنوع البحث، لضمان ألا تبدو جميعها متشابهة.

ماذا وجدوا؟

اختبر المؤلفون A2DEPT على ألغاز صعبة متنوعة (مثل توجيه الشاحنات، وجدولة الوظائف، وإيجاد الأنماط في الرسوم البيانية).

نتائج أفضل: وجد A2DEPT باستمرار حلولاً أفضل من طرق الذكاء الاصطناعي السابقة التي كانت عالقة في قوالب ثابتة.
الفجوة: في الاختبارات القياسية، قلل "الفجوة" بين حل الذكاء الاصطناعي والحل المثالي بنسبة تقارب 10% مقارنة بأفضل طريقة تالية.
القوة والمتانة: عمل بشكل جيد حتى في المشكلات الصعبة للغاية ذات القواعد الصارمة (مثل المركبات الكهربائية ذات البطاريات المحدودة ونوافذ الوقت الضيقة)، حيث فشلت الطرق الأخرى غالبًا في إيجاد أي حل صالح.

الخلاصة

A2DEPT يشبه الانتقال من مجموعة "التلوين حسب الأرقام" (حيث يمكنك فقط تغيير الألوان) إلى موقع بناء كامل (حيث يمكنك تغيير الجدران، والسقف، والأساسات). من خلال الجمع بين بحث تطوري ذكي و"مفتش سلامة" يصلح الكود المعطل فورًا، فإنه يسمح للذكاء الاصطنا باختراع طرق جديدة تمامًا لحل المشكلات المعقدة، بدلًا من مجرد تعديل الطرق القديمة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "A2DEPT: تصميم الخوارزميات المؤتمت عبر أشجار البرامج التطورية المدفوعة بالنماذج اللغوية الكبيرة."

1. تعريف المشكلة

تتناول الورقة تحدي التصميم الهيوريستي المؤتمت (AHD) لمشكلات التحسين التوافقي (COPs).

السياق: مشكلات التحسين التوافقي (مثل مسألة البائع المتجول TSP، وتوجيه المركبات، وجدولة ورشة العمل) هي عادةً مشكلات من فئة NP-hard. التصميم اليدوي للهيورستيات التقليدية يتطلب جهداً مكثفاً، وخبرة عميقة في المجال، وغالباً ما يفشل في التعميم عبر متغيرات المشكلة.
القيود الحالية: أظهرت طرق التصميم الهيوريستي المعتمدة على النماذج اللغوية الكبيرة (مثل FunSearch وEoH وReEvo) نتائج واعدة، لكنها تعاني من عقبة حرجة: فهي تعمل ضمن قوالب خوارزمية ثابتة. فهي تقوم فقط بتحسين مكونات هيورستية معزولة (مثل دوال التقييم/Scoring functions) بينما تظل منطق الحل المحيط بها (تدفق التحكم، التراجع/Backtracking، هيكل التكرار) جامداً.
الفجوة: هذا النهج "المقيد بالقالب" يحد من الابتكار على مستوى النظام. إذا كان القالب غير مثالي لمشكلة معينة، فلا يمكن للهيورستيك تعويض ذلك. علاوة على ذلك، فإن الانتقال من تحسين مكون واحد إلى تصميم محلل كامل (Solver) (وهو ما يسمى بالتصميم الخوارزمي المؤتمت مفتوح النهايات، أو AAD) يفرض تحديات هائلة:
1. عدم استقرار القابلية للتنفيذ: توليد الكود الحر غالباً ما يؤدي إلى أخطاء في التجميع (Compilation errors)، أو فقدان التبعيات، أو فشل وقت التشغيل.
2. انفجار مساحة البحث: مساحة البرامج الكاملة الصالحة وعالية الأداء واسعة جداً ونادرة.
3. غموض تحديد المسؤولية (Credit Assignment): من الصعب عزو مكاسب الأداء إلى تغييرات برمجية محددة عندما يتطور الخوارزم بأكمله.

2. المنهجية: إطار عمل A2DEPT

يقترح المؤلفون A2DEPT (التصميم الخوارزمي المؤتمت عبر أشجار البرامج التطورية)، وهو إطار عمل يعامل النماذج اللغبية الكبيرة كمعماريين للنظام لتطوير برامج محللة كاملة وقابلة للتنفيذ.

المكونات الأساسية:

البحث التطوري ذو الهيكل الشجري:
- بخلاف الطرق القائمة على الجمهرة (Population-based)، يحافظ A2DEP على شجرة بحث عالمية حيث تمثل العقد برامج قابلة للتنفيذ، ودرجاتها، والبيانات الوصفية للجيل.
- استراتيجية الاختيار الهجينة:
  - الاختيار الأولي عبر التخمير المحاكي (Simulated Annealing - SA): يستخدم معيار ميتروبوليس لقبول أزواج (الأصل-الابن) بناءً على تحسن الدرجة، مما يحافظ على علاقة "تحسين الأصل-الابن".
  - الاختيار التكميلي بأسلوب بولتزمان (Boltzmann): لمنع البحث من الانهيار في اختيار "أفضل k" الجشع وللحفاظ على التنوع، يقوم النظام بأخذ عينات من أصول إضافية من تاريخ الشجرة العالمي باستخدام احتمالات بولتزمان. هذا يسمح للفروع "الضعيفة الأداء ولكن الواعدة هيكلياً" بالبقاء.
- إعادة التخمير الديناميكي: إذا ركد البحث (عدم وجود تحسن لـ $N_{stall}$ من الأجيال)، يتم رفع درجة الحرارة لاستعادة القدرة على الاستكشاف.
المشغلات الهرمية مع الجدولة التكيفية:
للمعالجة من تحديد المسؤولية وتمكين التغييرات الهيكلية، يستخدم A2DEPT ثلاثة مستويات من المشغلات، يتم جدولتها تكيفياً بناءً على التغذية الراجعة:
- الضبط الدقيق ( $m_1$ ): تعديلات محلية على دوال الاستراتيجية القابلة للتغيير (مثل تحسين صيغة التقييم) مع الحفاظ على الواجهات.
- الطفرة الكلية ( $m_2$ ): إعادة تصميم علوي لنقطة دخول المحلل وتدفق التحكم. يسمح للنموذج اللغوي باستدعاء دوال مساعدة غير معرفة، والتي يتم ملؤها لاحقاً.
- العبور الدلالي ( $e_1$ ): يدمج برنامجاً هجيناً عبر دمج آليات متكاملة من أصلين.
- الجدولة التكيفية: يتم تحديث متجه وزن خاص بكل عقدة بناءً على تغير الأداء ( $\bar{r}$ ) للابن. يتم تعزيز المشغلات الناجحة، بينما يتم معاقبة المشغلات غير الناجحة، مما يغير جهد البحث ديناميكياً بين التعديل الدقيق وإعادة الهيكلة الكلية.
آلية صيانة البرنامج (فرض القابلية للتنفيذ):
لجعل التوليد مفتوح النهايات عملياً، يتضمن A2DEPT حلقة إصلاح خفيفة مدفوعة بالتغذية الراجعة:
- التمثيل المهيكل: تُقسم البرامج إلى "مقدمة" غير قابلة للتغيير (الاستيرادات، الثوابت) و"سجل دوال" قابل للتغيير.
- إصلاح التبعيات: عندما يستدعي البرنامج المولد دوال غير معرفة (وهو أمر شائع في الطفرة الكلية)، يتم بناء رسم بياني للتبعية. يتم توجيه النموذج اللغوي بشكل تكراري لتنفيذ الدوال المفقودة حتى يصبح البرنامج "مغلق التبعية".
- التقليم (Pruning): يتم تقليم الكود غير القابل للوصول لمنع تراكم المنطق الميت.

3. المساهمات الرئيسية

تحول في النموذج المعرفي: الانتقال من التصميم الهيوريستي المقيد بالقالب (تحسين المكونات) إلى التصميم الخوارزمي مفتوح النهايات (تطوير محللات كاملة)، مما يفتح مجال تصميم أغنى.
إطار عمل A2DEPT: يقدم بحثاً تطورياً ذا هيكل شجري مع اختيار هجين (SA + Boltzmann) ومشغلات هرمية للتنقل في مساحة البرامج الواسعة.
آليات الموثوقية: يقترح حلقة صيانة للبرنامج للإصلاح التلقائي للتبعية وتمثيلاً مهيكلاً لضمان القابلية للتنفيذ أثناء التطور.
التحقق التجريبي: يثبت تفوقاً مستمراً على النماذج المرجعية المنافسة المعتمدة على النماذج اللغوية الكبيرة عبر مختلف اختبارات NP-hard.

4. النتائج التجريبية

قيم المؤلفون A2DEPT على ست مشكلات من نوع NP-hard: MIS, CVRP, CFLP, FJSP (معايير قياسية) و CEVRPTW, MRCPSP (معايير عالية القيود).

الأداء على المعايير القياسية:
- تفوق A2DEPT على جميع النماذج المرجعية المعتمدة على النماذج اللغوية الكبيرة (FunSearch, EoH, ReEvo, MCTS-AHD) في كل مهمة.
- المقياس الرئيسي: في المعايير القياسية، قلل A2DEPT من متوسط فجوة الأمثلية المعيارية بنسبة 9.8% مقارنة بأقوى نموذج منافس في AHD.
- حقق نتائج تنافسية ضد المراجع غير المعتمدة على النماذج اللغوية (مثل مطابقة Guroi على MIS).
المشكلات عالية القيود:
- في CEVRPTW و MRCPSP، حقق A2DEPT أدنى معدل عدم صلاحية (Infeasibility Rate) وأفضل فجوات أمثلية، مما أظهر قوة في مساحات البحث المجزأة حيث تفشل الطرق الأخرى غالباً في إيجاد حلول صالحة.
التعميم:
- أظهر A2DEPT قدرة قوية على التعميم عبر أطر تصميم مختلفة (مثل البحث المحلي الموجه - Guided Local Search) وتوزيعات الحالات المختلفة.
- أكدت دراسات الاستئصال (Ablation studies) أن إزالة أي مكون (مثل أخذ عينات بولتزمان، أو الجدولة التكيفية، أو حلقة الصيانة) يؤدي إلى تدهور الأداء بشكل كبير.
التحسين المستمر:
- تم تطبيق الإطار بنجاح أيضاً على المجالات المستمرة (حل المعادلات التفاضلية العادية ODE، إيجاد الجذور، سياسات التحكم)، حيث اكتشف محللات عددية جديدة تفوقت على المحللات الصناعية المتخصصة (مثل LSODA) في المشكلات الصلبة (stiff problems).

5. الأهمية والأثر

الابتكار على مستوى النظام: يثبت A2DEPT أن النماذج اللغوية الكبيرة يمكن أن تعمل كـ "معماريين للخوارزميات"، وليس مجرد مولدين للكود. من خلال تطوير منطق المحلل بأكمله، يمكنه اكتشاف نماذج هيكلية (مثل الانتقال من هيورستيك بناء جشع إلى إطار عمل البحث المحلي المتكرر) وهو ما لا يمكن للضبط على مستوى المكون تحقيقه.
القابلية للتوسع: يعالج الإطار عقبة "القابلية للتنفيذ" في توليد الكود مفتوح النهايات، مما يجعل من الممكن تطوير برامج معقدة متعددة الوحدات دون تدخل بشري.
الاتجاهات المستقبلية: تشير الورقة إلى أنه بينما تقتصر الطرق الحالية على نطاق النماذج البحثية، فإن هذا النهج يمهد الطريق لتخليق محللات جاهزة للاستخدام الصناعي، بشرط أن تعالج الأعمال المستقبلية إدارة الوحدات (modularity) والتحقق من النوع الساكن (static type-checking) لقواعد الكود الضخمة.

باخت-صار، يمثل A2DEPT قفزة نوعية في التصميم الخوارزمي المؤتمت، حيث يتجاوز مجرد "ملء الفراغات" في قالب ثابت إلى "كتابة الكتاب بأكمله"، مما يحقق أداءً متفوقاً ومتانة في حل مشكلات التحسين التوافقي المعقدة.