Bi-Layer Ant Colony Optimization for Multi-Robot Task Allocation and Routing in Delivery Applications
تقترح هذه الورقة خوارزمية تحسين مستوحاة من مستعمرة النمل ثنائية الطبقات توحد تخصيص المهام والتوجيه في مشكلة تحسين واحدة، مما يظهر كفاءة وقابلية توسع فائقتين من خلال تقليل إجمالي مسافة السفر بنسبة تصل إلى 17.7% وتقليل وقت الإنجاز بنسبة تقارب 20% مقارنة بالنماذج المرجعية للبرمجة الخطية المختلطة (MILL) وتحسين سرب الجسيمات (PSO) في تطبيقات التوصيل متعددة الروبوتات.
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
في عالم اللوجستيات الحديث الصاخب، تعتمد حركة البضائع على أساطيل من الروبوتات المتنقلة التي تعمل في تناغم. يجب على هذه الآلات التنقل في بيئات معقدة لالتقاط العناصر وتسليمها إلى وجهات محددة، لكن التحدي لا يكمن فقط في القيادة من النقطة (أ) إلى النقطة (ب). الصعوبة الحقيقية تكمن في التنسيق: أي روبوت يجب أن يتولى أي طرد، وتحديد الترتيب الأكثر كفاءة لزيارة سلسلة من المواقع. إذا اتُخذت هذه القرارات بشكل منعزل، فقد ينتهي الأمر بالروبوتات بقطع مساراتها بشكل غير ضروري، أو قطع مسافات أطول مما هو مطلوب، أو الانتظار دون جدوى بينما يعمل الآخرون. هذه المشكلة، المعروفة باسم تخصيص المهام متعدد الروبوتات، تقع عند تقاطع علم الروبوتات والرياضيات، حيث الهدف هو تنظيم مجموعة من الوكلاء المستقلين لتحقيق هدف جماعي بأقصى قدر من الكفاءة. بالنسبة لخدمات التوصيل، فإن الفرق بين خطة جيدة وأخرى رائعة يترجم مباشرة إلى توفير الوقت، وتقليل استهلاك الطاقة، وتقديم خدمة أسرع للعملاء.
اقترح باحثون في جامعة فولبرايت فيتنام وجامعة فين (VinUniversity) طريقة جديدة لحل لغز التنسيق هذا، مبتعدين عن الطريقة التقليدية المتمثلة في تقسيم المشكلة إلى خطوات منفصلة. فبدلاً من تحديد أي روبوت سيحصل على أي وظيفة أولاً ثم تحديد المسار لكل روبوت، يعامل نهجهم هذين القرارين كمسألة واحدة مترابطة. لقد طوروا نظاماً مستوحى من سلوك البحث عن الطعام لدى النمل الحقيقي. في الطبيعة، يترك النمل خلفه رائحة كيميائية تسمى "الفيرومون" أثناء تنقله؛ وكلما كانت الرائحة أقوى على مسار ما، زاد احتمال اتباع النمل الآخر لها، مما يؤدي في النهاية بالمستعمرة إلى أقصر طريق للوصة إلى الطعام. قام الباحثون بتكييف هذا المبدأ البيولوجي في خوارزمية حاسوبية تتعلم في آن واحد أفضل طريقة لتخصيص المهام للروبوتات وأفضل ترتيب لزيارتها. ومن خلال استخدام طبقتين من هذه المسارات العطرية الرقمية — طبقة توجه أي روبوت يتولى أي مهمة، وطبقة أخرى توجه تسلسل التوقفات لكل روبوت — يسمح النظام للأسطول بأكمله بتحسين أدائه ككيان موحد بدلاً من كونه مجموعة من الكيانات المنفصلة.
لاختبار هذه الفكرة، أنشأ الفريق بيئة محاكاة باستخدام برامج روبوتات قياسية، حيث وضع ثلاثة روبوتات متطابقة في مساحة تبلغ 10 أمتار في 15 متراً مليئة بالعوائق الثابتة. أجروا تجارب كان على الروبوتات فيها إكمال مجموعات من خمس أو عشر أو عشرين مهمة توصيل، مع توليد مواقع الاستلام والتسليم بشكل عشوائي لكل جولة. وُضعت الخوارزمية الجديدة تحت الاختبار مقابل طريقتين أخريين شائعتين في هذا المجال: إحداهما تعتمد على حسابات رياضية صارمة لإيجاد الإجابة المثالية، والأخرى تستخدم نوعاً مختلفاً من ذكاء السرب. وأظهرت النتائج أن النهج الجديد تفوق باستمرار على الآخرين. ففي عمليات المحاكاة، قللت الخوارزمية إجمالي المسافة التي تعين على الروبوتات قطعها بنسبة تصل إلى 17.7 في المائة مقارنة بالطريقة الرياضية الصارمة، وبنسبة تقارب 10 في المائة مقارنة بطريقة ذكاء السرب الأخرى. كما وفرت وقتاً كبيراً، حيث قلصت إجمالي وقت الإنجاز بنسبة تقارب 20 في المائة في بعض الحالات.
يكمن نجاح هذه الطريقة في قدرتها على رؤية الصورة الكبيرة. فالأساليب التقليدية غالباً ما تحل تخصيص المهام وتخطيط المسارات كمراحل منفصلة، مما قد يؤدي إلى نتائج دون المستوى المطلوب لأن التخصيص الجيد قد يتطلب مساراً صعباً، أو أن المسار القصير قد يكون مستحيلاً مع تخصيص معين. ومن خلال حل كليهما في وقت واحد، يتجنب النظام الجديد هذه العثرات. وقد أظهرت عمليات المحاكاة أنه مع زيادة عدد المهام، ظل النهج الجديد مستقراً وفعالاً، بينما أظهرت الأساليب الأخرى مزيداً من التباين وغالباً ما أنتجت مسارات أطول. لاحظ الباحثون أن الخوارزمية لم تجد مسارات أقصر فحسب، بل فعلت ذلك بدرجة عالية من الاتساق، مما يشير إلى أنها أداة موثوقة لإدارة أساطيل الروبوتات في سيناريوهات التوصيل المعقدة. ورغم أن هذه النتائج تأتي من محاكاة حاسوبية وليس من اختبارات في الشوارع الواقعية، إلا أنها تقدم دليلاً قوياً على أن معاملة تخصيص المهام وتخطيط المسارات كمسألة مقترنة يمكن أن يحسن بشكل كبير من كفاءة أنظمة الروبوتات المتعددة. ويشير هذا العمل إلى أن أساطيل التوصيل المستقبلية يمكن أن تعمل بسرعة أكبر وتكاليف طاقة أقل إذا اعتمدت هذا النهج الموحد في اتخاذ القرار.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.