Deep Reinforcement Learning solution for pickup and delivery routing problems with time window and capacity constraints
تقدم هذه الورقة نهجاً جديداً للتعلم التعزيزي العميق، يعتمد على نموذج JAMPR معدل، يحل بفعالية مشكلات الالتقاط والتوصيل متوسطة الحجم ذات قيود السعة والنافذة الزمنية (CPDPTW) في الوقت الفعلي، ويوفر حلولاً فرعية سريعة للمسائل واسعة النطاق التي تتجاوز 200 عقدة.
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 قبطان أسطول من شاحنات التوصيل في مدينة صاخبة ومتنامية باستمرار. مهمتك هي تسليم الطرود واستلام المرتجعات لمئات العملاء، ولكن لديك مجموعة صارمة من القواعد: لا يمكن لشاحناتك أن تحمل الكثير من البضائع، وكل عميل لديه نافذة زمنية محددة يكون فيها في المنزل لاستلام الطرد. إذا وصلت مبكرًا جدًا أو متأخرًا جدًا، أو إذا حاولت حشر الكثير من الصناديق في خلفية الشاحنة، فإن الخطة ستفشل. هذه هي "مشكلة الاستلام والتسليم"، وهي لغز ضخم يزداد صعوبة كلما أضفت المزيد من الأشخاص إلى المزيج.
لعقود من الزمن، حاولت الحواسيب حل ذلك عبر العمل كآلات حاسبة فائقة السرعة، حيث تختبر ملايين المسارات الممكنة واحدًا تلو الآخر لإيجاد المسار المثالي. ولكن مع نمو المدن وانفجار عدد التوقفات، تتعثر هذه الآلات الحاسبة. فهي تستغرق ساعات لتحديد مسار يمكن للإنسان رسمه في دقائق، أو والأسوأ من ذلك، أنها تستسلم تمامًا وتقول: "لا يمكنني حل هذا". وهنا يأتي دور نوع جديد من عقول الكمبيوتر: التعلم المعزز العميق. فكر في هذا ليس كآلة حاسبة، بل كشخصية في لعبة فيديو تتعلم من خلال اللعب. فبدلاً من حساب كل إمكانية، تلعب هذه الشخصية "لعبة التوصيل" آلاف المرات، وتصبح أسرع وأذكى مع كل جولة، وتتعلم كيفية رصد أفضل التحركات دون الحاجة إلى فحص كل خيار متاح.
في هذه الورقة البحثية، قرر أندرو سوروكا وفريقه في جامعة موسكو الحكومية ومعهد أبحاث الفضاء التابع لأكاديمية العلوم الروسية تعليم هذا "العقل الذي يشبه شخصية الألعاب" كيفية التعامل مع قواعد التوصيل الفوضوية في العالم الحقيقي: مساحة الشاحنة المحدودة والنوافذ الزمنية الصارمة. لقد أخذوا نموذجًا ذكيًا موجودًا يُدعى JAMPR ومنحوه ترقية خاصة لفهم قواعد "الاستلام والتسليم"، حيث قد تحتاج الشاحنة إلى التقاط طرد من نقطة توقف معينة وتسليمه في نقطة أخرى، كل ذلك مع الموازنة بين حدود السعة.
وجد الباحثون أن نموذجهم المطور هو "وحش سرعة" للمدن الصغيرة والمتوسطة (من 50 إلى 200 توقف). في هذه السيناريوهات، يمكن للذكاء الاصطناعي إنتاج مسار شبه مثالي في ثوانٍ معدودة، متفوقًا على طرق "الآلة الحاسبة" التقليدية التي تستغرق وقتًا أطول بكثير حتى لتبدأ فقط. الأمر يشبه وجود سائق توصيل يعرف المدينة جيدًا لدرجة أنه يستطيع فورًا الصراخ بأفضل مسار، بينما لا يزال الكمبيوتر التقليدي يحاول قراءة الخريطة.
ومع ذلك، تصبح القصة أكثر تعقيدًا عندما تصبح المدينة ضخمة (من 400 إلى 1,000 توقف). هنا، لا يزال الذكاء الاصطناعي يفوز في سباق السرعة، حيث يقدم حلاً "جيدًا بما يكفي" بشكل فوري تقريبًا، بينما تكافح الطرق التقليدية لإيجاد أي مسار صالح في الدقيقة الأولى. لكن الذكاء الاصطناعي ليس مثاليًا بعد. فمن أجل الحصول على أفضل مسار مطلق لهذه المدن العملاقة، يحتاج الذكاء الاصطناعي إلى "التدريب" لأيام، وهو وقت طويل. وحتى بعد التدريب، بالنسبة لأكبر المشكلات، لا يزال مسار الذكاء الاصطالي النهائي أغلى بنسبة 20% تقريبًا (من حيث المسافة) من أفضل مسار يمكن للطريقة التقليدية العثور عليه إذا مُنحت وقتًا غير محدود. في الواقع، بمجرد مرور بضع دقائق فقط على وقت التحسين، تتفوق الطرق التقليدية على الذكاء الاصطناعي، وتجد مسارات أفضل مما لا يمكن للذكاء الاصطناعي مضاهاته دون تدريب أكبر بكثير.
كما اختبر الفريق مدى قوة ذكائهم الاصطناعي عندما تتغير القواعد. ووجدوا أن الذكاء الاصطناعي موثوق للغاية ضمن ظروف الاختبار المحددة المستخدمة: فلم يفشل أبدًا في تقديم أي حل، حتى عندما استسلم الكمبيوتر التقليدي وقال "مستحيل" لنفس توزيع المشكلات. ومع ذلك، إذا تغير تخطيط المدينة بشكل جذري — مثل الانتقال من انتشار عشوائي للمنازل إلى نمط يعيش فيه الجميع في دائرة ضيقة — ينخفض أداء الذكاء الاصطناعي قليلاً، رغم أنه لا يزال ينجح في التفوق على الطرق التقليدية خلال الساعة الأولى من الحل.
باختصار، تشير الورقة البحثية إلى أن نهج التعلم العميق هذا هو أداة قوية جديدة للخدمات اللوجستية في الوقت الفعلي. إنه لا يحل محل الطرق القديمة بالكامل، خاصة بالنسبة للألغاز الأكبر والأكثر تعقيدًا حيث تكون الإجابة المثالية المطلقة مطلوبة. ولكن بالنسبة للحالات التي تحتاج فيها إلى إجابة سريعة وموثوقة الآن — مثل خدمة بريد سريع تستجيب لحركة المرور أو زيادة مفاجئة في الطلبات — فإن هذا الذكاء الاصطناعي يعد تغييرًا لقواعد اللعبة، حيث يقدم حلاً قويًا وسريعًا في الحالات التي غالبًا ما تتعثر فيها الأدوات التقلية أو تفشل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.