Smart routes: a system for development and comparison of algorithms for solving vehicle routing problems with realistic constraints

تخيل أنك قائد أسطول توصيل، مكلف بتسليم مئات الطرود عبر مدينة صاخبة. لديك خريطة، وقائمة بالعملاء، ومجموعة صارمة من القواعد: شاحناتك لا يمكنها حمل أكثر من وزن معين، وبعض العملاء يريدون استلام طرودهم فقط بين الساعة 9:00 صباحًا و11:00 صباحًا. هدفك بسيط: زيارة الجميع، والالتزام بالقواعد، واستغلال أقل قدر ممكن من الوقت والوقود. هذه هي "مشكلة توجيه المركبات" (Vehicle Routing Problem)، وهي لغز كلاسيكي أبقى شركات اللوجستيات والرياضيين في حالة انشغال لعقود.

لسنوات، حاول العلماء حل هذه المشكلة باستخدام أداتين رئيسيتين. الأولى هي "الآلة الحاسبة المثالية"، وهي طريقة تحاول فحص كل مسار ممكن للعثور على الأفضل على الإطلاق. الأمر يشبه محاولة تذوق كل طبق في بوفيه ضخم للعثور على اللقمة المثالية تمامًا. تعمل هذه الطريقة بشكل رائع للوجبات الصغيرة، ولكن إذا أصبح البوفيه كبيرًا جدًا، فستظل جائعًا للأبد قبل أن تنتهي. الأداة الثانية هي "التخمين الذكي"، أو الاستدلال (Heuristic). هذا يشبه طباخًا متمرسًا يعرف المطبخ جيدًا؛ فهو لا يفحص كل طبق، بل يستخدم الخبرة والحيل السريعة للعثور على وجبة لذيذة بسرعة كبيرة. مؤخرًا، دخل منافس جديد الحلبة: "التعلم العميق". فكر في هذا كطباخ آلي يشاهد آلاف الفيديوهات للطهي، ويتعلم الأنماط، ثم يحاول تخمين المسار الأفضل فورًا، ويصبح أفضل كلما مارس ذلك أكثر.

هذه الورقة البحثية، بعنوان "المسارات الذكية" (Smart Routes)، هي مباراة بين هؤلاء الطباخين الثلاثة. قام المؤلفون ببناء ساحة لعب رقمية جديدة تسمى "Smart Routes" لاختبارهم بشكل عادل. لم يكتفوا بالنظر إلى ألغاز صغيرة وسهلة؛ بل اختبروا الخوارزميات على مشكلات تحتوي على 50 و100 نقطة توقف، وهو ما يشبه الانتقال من حي صغير إلى مدينة كاملة. أرادوا معرفة من يمكنه إيجاد مسار جيد بأسرع وقت ممكن دون كسر قواعد اللعبة.

السباق الكبير: المثالي مقابل السريع مقابل الذكي

أعد الباحثون سباقًا باستخدام منصة "Smart Routes" الجديدة. هذه المنصة تشبه ساحة اختبار عالمية حيث يمكنك توصيل أي خوارهازمية — سواء كانت خدعة رياضية كلاسيكية، أو برنامج حاسوبي قوي، أو روبوت يتعلم — ومراقبتها وهي تعمل. لقد اختبروا ثلاثة أنواع رئيسية من المتنافسين:

1. المحلل الدقيق (SCIP): "الآلة الحاسبة المثالية" التي تعد بأفضل إجابة ممكنة ولكنها تستغرق وقتًا طويلاً.
2. الاستدلالات الكلاسيكية (LKH, 2-OPT, 3-OPT, OR-Tools): "المخمنون الأذكياء" الذين يستخدمون طرقًا مختصرة ذكية للعثور على إجابات جيدة بسرعة.
3. نموذج التعلم العميق (JAMPR): "الطباخ الآلي" المدرب لتعلم الأنماط وتقديم تخمينات سريعة وعالية الجودة.

لقد أجروا هؤلاء المتنافسين على نوعين من التحديات: مدينة أصغر بها 50 نقطة توقف، ومدينة أكبر بها 100 نقطة توقف. منحوا "الآلة الحاسبة المثالية" بداية زمنية ضخمة (1,000 ثانية للمدينة الصغيرة و2,000 ثانية للمدينة الكبيرة) لأنها تحتاج للتفكير بعمق. حصل الآخرون على وقت أقل بكثير (100 و200 ثانية على التوالي).

النتائج: السرعة تفوز، لكن الحجم يصنع الفارق

تحدي الـ 50 نقطة توقف (المدينة الصغيرة)
في المدينة الأصغر، كان السباق قريبًا بشكل مفاجئ. وجدت "الآلة الحاسبة المثالية" (SCIP) المسار الأفضل مطلقًا، لكنها استغرقت وقتًا طويلاً للوصول إليه. وفي الوقت نفسه، وجدت "المخمنات الذكية" و"الطباخ الآلي" مسارات كانت جيدة تقريبًا مثل المسار المثالي — أسوأ بنسبة 5% تقريبًا فقط — لكنهما فعلا ذلك في جزء بسيط من الوقت.

• الخلاصة: بالنسبة للمشكلات الأصغر، لست بحاجة لانتظار الإجابة المثالية. الطرق السريعة قريبة جدًا من الأفضل لدرجة أنها صفقة أفضل بكثير لأنها توفر عليك ساعات من الانتظار.

تحدي الـ 100 نقطة توقف (المدينة الكبيرة)
عندما تضاعف حجم المدينة إلى 100 نقطة توقف، تغيرت قواعد اللعبة بشكل جذري. بدأت "الآلة الحاسبة المثالية" تعاني. فقد استغرقت حوالي 13 ضعف الوقت لمجرد العثور على مسارها الأول الصالح مقارنة بالطرق الأخرى. والأسوأ من ذلك، أنه بحلول الوقت الذي وجدت فيه مسارًا أخيرًا، كان ذلك المسار أغلى بنسبة 50% (أطول وأبطأ) من المسارات التي وجدها "الطباخ الآلي" و"المخمنات الذكية" فورًا.

• الخلاصة: مع كبر حجم المدينة، تصبح "الآلة الحاسبة المثالية" بطيئة جدًا لتكون مفيدة. فهي تقضي وقتًا طويلاً في البحث لدرجة أنها لا تستطيع حتى العثور على حل جيد في الوقت المناسب. ظل "الطباخ الآلي" (JAMPR) و"المخمنات الذكية" المتقدمة (مثل OR-Tools) سريعين ووجدوا مسارات عالية الجودة، مما يثبت أنه في المشكلات الكبيرة، السرعة والتخمين الذكي يتفوقان على البحث عن الكمال.

الحكم النهائي

تخلص الورقة البحثية إلى أنه بينما تكون "الآلة الحاسبة المثالية" رائعة للألغاز الصغيرة، إلا أنها تصطدم بحائط عندما تصبح المشكلة كبيرة جدًا. أظهرت منصة "Smart Routes" أن الاعتماد على الحلول الدقيقة والمثالية (Exact Solutions) في مشكلات التوصيل الواقعية واسعة النطاق (مثل 100 نقطة توقف) هو غالبًا فكرة سيئة لأنها تستغرق وقتًا طويلاً ولا تضمن حتى نتيجة رائعة خلال وقت معقول.

بدلاً من ذلك، يقترح المؤلفون أن مزيجًا من الاستدلالات الكلاسيكية (الاختصارات الخبيرة) والتعلم العميق (الروبوت المدرب) هو الاستراتيجية الفائزة. يمكن لهذه الأساليب العثور على مسارات تكاد تكون بجودة المسارات المثالية، لكنها تفعل ذلك بسرعة تجعلها مفيدة حقًا للوجستيات الواقعية. كما تم تسليط الضوء على نظام "Smart Routes" نفسه كأداة قيمة لأنه يسمح لأي شخص بسهولة باختبار هذه الأساليب المختلفة، وتصور المسارات على خريطة، وحتى إضافة أفكاره الخاصة إلى المزيج دون الحاجة إلى إعادة بناء النظام بالكامل.

باخت_صار، إذا كنت تحاول توصيل الطرود في مدينة متنامية، فلا تنتظر الخطة المثالية. استخدم الأدوات الذكية والسريعة التي تتعلم من الخبرة، لأن المسار الجيد الذي تجده الآن أفضل من المسار المثالي الذي ستجده في الأسبوع القادم.