🤖 AI

HMACE: Heterogeneous Multi-Agent Collaborative Evolution for Combinatorial Optimization

تقدم هذه الورقة البحثية إطار عمل HMACE، وهو إطار تطوري تعاوني متعدد الوكلاء غير المتجانسين يعيد صياغة البحث الاستدلالي كمسألة تصميم تنظيمي للتغلب على قيود الأساليب القائمة على النماذج اللغوية الكبيرة أحادية الهيكل، محققاً توازناً فائق الجودة بين الكفاءة والفاعلية في حل مشكلات الأمثلة التوافقية ذات التعقيد غير الحتمي (NP-hard) من خلال أدوار الوكلاء المتخصصة والاستكشاف الموجه بالذاكرة.

المؤلفون الأصليون: Yuping Yan, Jirui Han, Fei Ming, Yuanshuai Li, Yaochu Jin

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuping Yan, Jirui Han, Fei Ming, Yuanshuai Li, Yaochu Jin

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 تحاول حل لغز ضخم يبدو مستحيلاً، مثل تنظيم مسار توصيل لـ 1,000 شاحنة أو تعبئة مستودع بآلاف الصناديق. هذا ما يسميه علماء الكمبيوتر "مشكلة التحسين التوافقي" (Combinatorial Optimization Problem). إنها معقدة للغاية لدرجة أن أجهزة الكمبيوتر الفائقة تكافح لإيجادة الإجابة المثالية في وقت معقول.

لعقود من الزمن، كتب البشر قواعد خاصة (Heuristics) لمساعدة الحواسيب على حل هذه الألغاز. لكن كتابة هذه القواعد يدوياً عملية بطيئة، ومكلفة، وصعبة التكيف مع المشكلات الجديدة.

مؤخراً، بدأنا في استخدام "نماذج اللغات الكبيرة" (LLMs) — وهي نفس نوع الذكاء الاصطناعي الذي يشغل برامج الدردشة الآلية — لكتابة هذه القواعد تلقائياً. ومع ذلك، تجادل الورقة البحثية بأن طرق الذكاء الاصطناعي الحالية تشبه شخصاً واحداً يحاول القيام بمهمة معقدة بمفرده: حيث يعلق في مكانه، ويتعب، وغالباً ما يرضى بإجابة "جيدة بما يكفي" وليست هي الأفضل فعلياً.

يقدم المؤلفون نظاماً جديداً يسمى HMACE (التطور التعاوني متعدد الوكلاء غير المتجانس). وإليك كيف يعمل، باستخدام تشبيهات بسيطة:

المشكلة: "الفنان المنفرد" مقابل "الأوركسترا"

تحاول طرق الذكاء الاصطناعي الحالية حل هذه الألغاز عبر مطالبة نموذج ذكاء اصطناعي واحد بالقيام بكل شيء في آن واحد: ابتكار فكرة، وكتابة الكود، واختباره، وتحديد ما إذا كان جيداً أم لا.

التشبيه: تخيل موسيقياً منفرداً يحاول تأليف سيمفونية، وعزف كل الآلات الموسيقية، وقيادة الأوركسترا، ونقد الأداء في نفس الوقت. سيشعر بالإرهاق، وستصبح أفكاره مكررة، وسيفقد الرؤية الشاملة. سيعلق في "القمة المحلية" (Local Optimum) — وهي تلة صغيرة تبدو وكأنها القمة، لكنها ليست كذلك.

الحل: فريق HMACE "المتخصص"

يغير HMACE قواعد اللعبة من خلال التعامل مع المشكلة كتحدٍ في "التصميم التنظيمي". بدلاً من جعل ذكاء اصطناعي واحد يقوم بكل شيء، فإنه ينشئ فريقاً من أربعة "وكلاء" متخصصين (عمال ذكاء اصطناعي) يعملون معاً في حلقة مستمرة. فكر فيهم كفريق شركة ناشئة عالية التقنية:

المقترح (مولد الأفكار): ينظر هذا الوكيل إلى الأفكار الناجحة السابقة ويقول: "ماذا لو جربنا نهجاً مختلفاً قليلاً؟". هو يركز على الاستكشاف — إيجاد اتجاهات جديدة ومتنوعة.
المولد (البنّاء): يأخذ هذه الفكرة العامة من "المقترح" ويحولها إلى كود برمجي فعلي وعامل. هو يركز على التنفيذ.
المقيم (المختبر): يقوم بتشغيل الكود الجديد على ألغاز حقيقية ليرى مدى جودة عمله. وهو يعطي درجة بناءً على الأداء، وليس فقط بناءً على شكل الكود.
المتأمل (أمين المكتبة والمدرب): هذا هو الجزء الأكثر تميزاً. فهو يحتفظ بـ "بنك ذاكرة" ضخم (أرشيف) لجميع الأفكار التي جُربت حتى الآن. والأهم من ذلك، أنه لا يتذكر فقط أفضل النتائج؛ بل يتذكر كيف تصرفت تلك الأفكار. إذا تعثر الفريق، يقول "المتأمل": "مهلاً، لم نجرب هذا النوع المحدد من السلوك منذ فترة. لنعد إلى الأرشيف ونجد مثالاً من ذلك 'الحي' ليلهم المقترح".

كيف يعملون معاً: "الحلقة التطورية"

يعمل الفريق في دورة:

يسحب المتأمل بعض الأمثلة المتنوعة من بنك الذاكرة ليعرضها على المقترح.
يصيغ المقترح استراتيجيات جديدة بناءً على تلك الأمثلة.
يحول المولد تلك الاستراتيجيات إلى كود برمجي.
قبل مرحلة الاختبار المكلفة، يقوم مرشح سريع باستبعاد الكود المعطل أو المكرر (لتوفير المال والوقت).
يقوم المقيم باختبار الكود المتبقي.
يقوم المتأمل بتحديث بنك الذاكرة بالنتائج الجديدة، منظماً إياها حسب كيفية "سلوكها"، وليس فقط حسب جودة نتائجها.

لماذا يهم هذا: مقايضة "الجودة والكفاءة"

اختبرت الورقة نظام HMACE على أربع مشكلات كلاسيكية صعبة:

TSP: تخطيط أقصر مسار لـ "بائع متجول".
Online BPP: تعبئة العناصر في صناديق فور وصولها (مثل مستودع مزدحم).
MKP: وضع العناصر في حقائب ظهر مع مراعاة حدود الوزن.
PFSP: جدولة المهام على آلات المصنع.

النتائج:

حلول أفضل: وجد HMACE حلولاً أفضل (أقرب إلى الإجابة المثالية) من طرق الذكاء الاصطناعي المنفردة السابقة وطرق الذكاء الاصطناعي المتعددة الأخرى.
أرخص وأسرع: هذا هو المفاجأة الكبرى. استخدم HMACE عددًا أقل بكثير من "الرموز" (Tokens) (وهي العملة المستخدمة في حوسبة الذكاء الاصطناعي) للوصول إلى هذه النتائج.
- التشبيه: تخيل طباخين يحاولان صنع كعكة مثالية. أحدهما (الطريقة القديمة) يشتري 100 مكون، ويجرب 50 وصفة، ويحرق المطبخ قبل الحصول على كعكة جيدة. أما HMACE فهو مثل طباخ يستخدم كتاب وصفات ذكي، ويتذوق الخليط مبكراً لتجنب الهدر، ويشتري بالضبط ما يحتاجه فقط. إنه يحصل على كعكة أفضل باستخدام عُشر المكونات فقط.

الخلاصة الأساسية

تزعم الورقة أن العائق في حل هذه المشكلات بواسطة الذكاء الاصطناعي ليس فقط مدى "ذكاء" الذكاء الاصطناعي، بل في كيفية تنظيم هذا الذكاء. من خلال تقسيم المهمة إلى أدوار متخصصة ومنح الفريق نظام ذاكرة ذكي يعتمد على السلوك، يتجنب HMACE الوقوع في حلقات مفرغة ويجد حلولاً أفضل وأسرع وأرخص من المنافسين.

الأمر لا يتعلق بجعل الذكاء الاصطناعي أكثر ذكاءً؛ بل يتعلق بمنحه هيكلاً فريقياً أفضل.

ملخص تقني: HMACE – التطور التعاوني متعدد الوكلاء غير المتجانس لتحسين المجموعات (Combinatorial Optimization)

1. بيان المشكلة

تُعد مشكلات تحسين المجموعات (COPs)، مثل مسألة البائع المتجول (TSP)، ومسألة توجيه المركبات (VRP)، ومسألة تعبئة الصناديق (BPP)، من المسائل الجوهرية ومع ذلك فهي من نوع "NP-hard"، مما يجعل الوصول إلى الحلول المثلى لآفاق واسعة أمراً مستحيلاً من الناحية الحسابية. وبينما تعتمد الخوارزميات التقليدية على قواعد مصممة يدوياً بتكلفة عالية، حاولت المنهجيات الحديثة القائمة على النماذج اللغوية الكبيرة (LLMs) أتمتة تصميم هذه الخوارزميات. ومع ذلك، تواجه الأساليب الحالية القائمة على النماذج اللغوية الكبيرة عائقين هيكليين:

التقارب المبكر: تفتقر سير العمل أحادية الهيكل غالباً إلى آليات استكشاف منظمة (مثل التراجع المنهجي)، مما يؤدي إلى الوقوع في فخ الحلول المحلية المثلى.
تداخل الأدوار: إن إجبار وكيل واحد على القيام بعمليات معرفية متبا('%ت (التخطيط، التوليد، التقييم، والتحسين) يخلق تشابكاً معرفياً ويؤدي إلى تدهور الأداء.

غال-باً ما تعاني المحاولات متعددة الوكلاء الحالية من أعباء التواصل أو الافتقار إلى التركيز المعرفي المتخصص، مما يجعلها تفشل في التفوق على النماذج المرجعية القوية أحادية الوكيل. ويكمن التحدي الجوهري في تصميم بنية ذاتية، متخصصة الأدوار، وواعية بالذاكرة، تعمل على تنسيق الاستدلال والبحث بفعالية.

2. المنهجية: إطار عمل HMACE

يقترح المؤلفون إطار عمل HMACE (التطور التعاوني متعدد الوكلاء غير المتجانس)، والذي يعيد صياغة البحث عن الخوارزميات كمسألة تصميم تنظيمي. بدلاً من عملية توليد أحادية الهيكل، يقوم HMACE بتفكيك كل جيل تطوري إلى حلقة تعاونية تضم أربعة وكلاء متخصصين يتواصلون عبر ذاكرة مدعومة بالأرشيف:

المقترح (Proposer): يصيغ مقترحات الاستراتيجيات بلغة طبيعية. ويعتمد في صياغته على السكان الحاليين ويسترجع نماذج متنوعة من الأرشيف لضمان أن المقترحات تجمع أو تباين بين أنماط بحث متميزة بدلاً من مجرد تحسين نمط سائد واحد.
المولد (Generator): يترجم الاستراتيجيات المقترحة باللغة الطبيعية إلى كود بايثون قابل للتنفيذ (خوارزميات) يلتزم بصرامة بعقد المدخلات والمخرجات الخاص بالمسألة.
المقيم (Evaluator): ينفذ الخوارزميات المرشحة على حالات التدريب لحساب إشارتين:
- اللياقة ( $f_h$ ): درجة عددية تقيس جودة الحل (مثل فجوة المثالية).
- متجه السلوك ( $\phi_h$ ): واصف عالي الأبعاد يميز كيفية سلوك الخوارزمية أثناء التنفيذ (مثل إحصائيات وقت التشغيل، والميزات الهيكلية).
المتأمل (Reflector): يدير الذاكرة المشتركة (الأرشيف) ويوجه البحث. ويقوم بـ:
- الاسترجاع الواعي بالسلوك: يختار نماذج متنوعة من فئات سلوكية متميزة لتكييف المقترح.
- تحديث الأرشيف: يستخدم هيكل CVT-MAP-Elites لتخزين أفضل حل حالي لكل خلية سلوكية، مما يضمن تغطية فضاء البحث.
- التصفية: قبل عملية التقييم المكلفة، يقوم بفلتر حتمي خفيف الوزن لإزالة البرامج المشوهة أو المكررة تقريباً للحفاظ على ميزانية النماذج اللغوية الكبيرة.

سير العمل: يمر النظام عبر أجيال متتالية؛ حيث يسترجع "المتأمل" نماذج متنوعة، ثم يصيغ "المقترح" الاستراتيجيات، ويقوم "المولد" بترميزها، ثم يقوم "المقيم" بتقييمها، وأخيراً يقوم "المتأمل" بتحديث السكان والأرشيف. تنتهي العملية عند استنفاد ميزانية الجيل أو عند عدم ملاحظة أي تحسن لعدد معين من الأجيال.

3. المساهمات الرئيسية

النهج التنظيمي لتصميم الخوارزميات: يقدم HMACE إطار عمل تطوري متعدد الوكلاء غير متجانس يعمل على تفكيك عملية البحث إلى أدوار متخصصة (المقترح، المولد، المقيم، والمتأمل)، متجاوزاً بذلك سير العمل أحادي الهيكل المدفوع بالنماذج اللغوية الكبيرة.
آلية التأمل ذات الإشارة المزدوجة: يدمج الإطار آلية تأمل مبتكرة تستفيد من المسارات التاريخية من خلال الاسترجاع الواعي بالسلوك وتحديث الأرشيف القائم على اللياقة. وهذا يسمح للوكلاء بالهروب من الحلول المحلية المثلى عبر استكشاف فئات سلوكية متنوعة مع الحفاظ على الحلول الأعلى جودة.
المفاضلة بين الجودة والكفاءة: أظهرت التجارب المكثفة أن HMACE يحقق جودة حل فائقة بتكاليف حسابية (الرموز والوقت) أقل بكثير مقارنة بالنماذج المرجعية أحادية الوكيل ومتعددة الوكلاء المتطورة.

4. النتائج التجريبية

تم تقييم إطار العمل على أربع مشكلات تمثيلية لـ COPs وهي: TSP، ومسألة تعبئة الصناديق عبر الإنترنت (Online BPP)، ومسألة الحقيبة المتعددة (MKP)، وجدولة تدفق العمليات المتغيرة (PFSP).

الأداء: حقق HMACE أدنى متوسط لفجوات المثالية بين الطرق التي تم تقييمها بواسطة GPT-5.4.
- TSP: متوسط فجوة قدره 0.387% (مقابل 0.431% لـ CORAL و0.467% لـ EoH).
- Online BPP: متوسط فجوة قدره 0.441% (تفوق على MoH في 12 من أصل 15 حالة).
- PFSP & MKP: أظهر HMACE مفاضلات جيدة بين الجودة والكفاءة، حيث قلل غالباً من وقت التشغيل واستخدام الرموز (Tokens) مع الحفاظ على قيم أهداف تنافسية.
الكفاءة: أظهر HMACE كفاءة استثنائية في استخدام الرموز (Tokens).
- بالنسبة لـ TSP، تطلب فقط 0.13 مليون رمز (مقابل 0.94 مليون لـ CORAL).
- بالنسبة لـ Online BPP، تطلب 0.42 مليون رمز (مقابل 5.48 مليون لـ CORAL).
دراسات الاستئصال (Ablation Studies): أدى إزالة الاسترجاع الواعي بالسلوك (واستبداله بالعينات العشوائية) إلى تدهور جودة الحل، مما يؤكد قيمة الأولويات السلوكية المستهدفة. كما أدى إزالة مرحلة الفرز الخفيفة إلى زيادة تكاليف الرموز دون تحقيق مكاسب تناسبية في الجودة.

5. الأهمية والادعاءات

يزعم البحث أن العائق الأساسي أمام الحلول الحالية القائمة على النماذج اللغبية الكبيرة ليس مجرد قدرة النموذج، بل هو غياب البنية التنظيمية المناسبة لتنسيق الاستدلال والبحث.

ما وراء الوكلاء أحاديي الهيكل: يثبت HMACE أن فصل حل المشكلات إلى أدوار تفاعلية متخصصة يلغي تداخل الأدوار بشكل قوي ويمكّن الاستكشاف المتنوع والمنظم.
الذاكرة كآلية بحث: يجادل المؤلفون بأن التأمل في HMACE ليس مجرد نقد لفظي بل هو آلية ذاكرة تشغيلية. ومن خلال ربط الاستغلال القائم على اللياقة مع استكشاف فضاء السلوك، يقلل الإطار من احتمالية التقارب المبكر.
الاكتشاف منخفض التكلفة: تشير النتائج إلى أن سير العمل التطوري التعاوني يمكنه اكتشاف خوارزميات قابلة لإعادة الاستخدام وعالية الجودة بكفاءة أكبر من النهج أحادي الوكيل، محققاً توازناً مثالياً بين جودة الحل وتكاليات رموز واجهة برمجة التطبيقات (API).

يقر المؤلفون بوجود قيود، مشيرين إلى أن الإطار يعتمد على خط سير عمل محدد المراحل، وأن توسيع نطاق الذاكرة طويلة المدى يتطلب تنسيقاً ديناميكياً لمنع فرط المعلومات. وهم يضعون HMACE كخطوة نحو معالجة التحديات المعقدة في العالم الحقيقي بما يتجاوز مشكلات COPs الكلاسيكية، مثل التحسين المستمر.