A State-Sensing Adaptive Artificial Bee Colony Algorithm with Dynamic Search and Rank-Based Selection for High-Dimensional Complex Optimization

في المشهد الواسع لحل المشكلات الحسابية، توجد عائلة من الأساليب تُعرف باسم ذكاء السرب. تستمد هذه الخوارزميات إلهامها من السلوك الجماعي لأكثر المجموعات كفاءة في الطبيعة: أسراب الطيور، وأسراب الأسماك، ومستعمرات الحشرات. وبدلاً من الاعتماد على عقل واحد فائق الذكاء لحل لغز معقد، تستخدم هذه الأنظمة العديد من الوكلاء البسيطين الذين يعملون معاً، ويتشاركون المعلومات، ويعدلون أفعالهم بناءً على ما يفعله جيرانهم. وتعد "خوارزمية مستعمرة النحل الاصطناعية" واحدة من أكثر هذه الأساليب شعبية؛ فهي تحاكي الطريقة التي تجمع بها النحل الرحيق: حيث يستكشف بعض النحل المناظر الطبيعية عشوائياً للعثور على زهور جديدة، بينما يتبع آخرون الملقحات الأكثر نجاحاً لاستغلال المصادر الأكثر غنى. وهذا التوازن بين البحث عن إمكانيات جديدة وتطوير الحلول الجيدة المعروفة يجعل الخوارزمية قوية، لكنها غالباً ما تعاني عندما تصبح المشكلات كبيرة جداً أو معقدة للغاية.

عندما يحاول المهندسون استخدام هذا الأسلوب المستوحى من النحل لحل مشكلات عالية الأبعاد — تلك التي تتضمن عشرات أو مئات المتغيرات التي يجب التعامل معها في آن واحد — فإن النهج القياسي غالباً ما يتعثر. تميل الخوارزمية إلى الوقوع في فخاخ محلية، مما يؤدي إلى تفويت الحل الأمثل الحقيقي، أو تتحرك ببطء شديد بحيث لا تكون مفيدة في التطبيقات التي تتطلب وقتاً فعلياً مثل توجيه روبوت عبر غرفة مزدحمة. ويكمن جوهر الصعوبة في عدم قدرة الخوارزمية على استشعار تقدمها الخاص. فهي لا تعرف ما إذا كانت في بداية البحث وتحتاج إلى النظر حولها بشكل واسع، أم أنها في مراحل متأخرة وتحتاج إلى التركيز بكثافة على منطقة محددة. كما أنها تعاني أيضاً في الحفاظ على مزيج صحي من الحلول المتنوعة مع تقلص نطاق البحث، حيث تتخلص من المرشحين الجيدين في وقت مبكر جداً أو تحتفظ بالسيئين لفترة طويلة جداً. وبدون وسيلة لإدراك حالتها، تعمل الخوارمة بشكل أعمى، مطبقة نفس القواعد الجامدة بغض النظر عن الموقف المتغير.

ولمعالجة هذه القيود، طور باحث في جامعة نورث إيسترن نسخة جديدة من الخوارزمية تسمى "خوارزمية مستعمرة النحل التكيفية ذات الاستشعار للحالة". يمنح هذا النظام المطور النحل الافتراضي القدرة على "استشعار" بيئته وتقدمه الخاص، مما يسمح له بتغيير سلوكه ديناميكياً. وبدلاً من اتباع نص ثابت، تراقب الخوارزمية الجديدة باستمرار ثلاثة جوانب رئيسية للبحث: تعقيد المشكلة، ومرحلة عملية البحث، وجودة الحلول الحالية. ومن خلال التفاعل مع هذه الحالات الداخلية، يمكن للخوارزمية تغيير استراتيجياتها على الطاير، مما يضمن استكشاف المساحة الصحيحة في الوقت المناسب.

يتضمن التحسين الرئيسي الأول كيفية بدء الخوارزامية للبحث. في النسخة القياسية، يتم إنشاء المجموعة الأولية من الحلول عشوائياً تماماً. وبينما يعمل هذا جيداً للمشكلات البسيطة، فإنه غالباً ما يؤدي إلى توزيع غير متساوٍ وفوضوي عندما تكون مساحة المشكلة شاسعة ومعقدة. وتدخل الطريقة الجديدة استراتيجية خلط ذكية؛ فهي تنظر إلى عدد المتغيرات التي تتضمنها المشكلة وتعدل التوازن بين الاستكشاف العشوائي والتغطية الأكثر هيكلية ومنهجية. فبالنسبة للمشكلات الأبسط ذات المتغيرات الأقل، تميل نحو العشوائية للحفاظ على تنوع البحث. أما بالنسبة للمشكلات المعقدة وعالية الأبعاد، فتنتقل نحو نهج أكثر تنظيماً يضمن تغطية مساحة البحث بأكملة بشكل متساوٍ منذ البداية. هذا يمنع الخوارزمية من إضاعة الوقت في مناطق فارغة أو التكتل بشكل ضيق للغاية في نقطة واحدة. بالإضافة إلى ذلك، عندما يدفع البحث حلاً خارج الحدود المسموح بها، يستخدم النظام الجديد تقنية الانعكاس لرد الحل إلى المنطقة الصالحة، بدلاً من مجرد قطعه، مما يحافظ على تنوع الجمهرة.

ومع تقدم البحث، تغير الخوارزمية طريقة استكشافها. في المراحل المبكرة، عندما تكون الجمهرة متنوعة وبعيدة عن الحل، تركز الخوارزمية على صقل المتغيرات الفردية واحداً تلو الآخر. وهذا يسمح لها بإجراء تعديلات دقيقة وتحديد المناطق الواعدة بسرعة. ومع ذلك، عندما ينتقل البحث إلى المراحل اللاحقة وتبدأ الحلول في التكتل، تستشعر الخوارزمية هذا التحول وتوسع نطاقها تلقائياً. حيث تبدأ في تحديث متغيرات متعددة في وقت واحد، مما يسم يسمح للبحث بالقفز عبر مسافات أكبر والهروب من الفخاخ المحلية التي قد تعيق تقدمها. ولتوجيه هذه العملية، تستخدم الخوارزمية "متوسط" أفضل الحلول التي تم العثود إليها حتى الآن كنقطة مرجعية. وهي تختار الأبعاد التي تختلف أكثر عن هذه المجموعة النخبوية لتحديثها، مما يضمن استمرار البحث في الدفع نحو مناطق أفضل مع الحفاظ أيضاً على قدر كافٍ من العشوائية لتجنب العلوق.

القطعة الأخيرة من اللغز هي كيفية قرار الخوارزمية بشأن الحلول التي تحتفظ بها وتلك التي تتخلص منها. في النسخة القياسية، تصبح عملية الاختيار أقل فعالية مع تقارب الجمهرة، مما يؤدي غالداً إلى فقدان الضغط اللازم لإيجاد الإجابة المثلى المطلقة. ويقدم النظام الجديد عملية اختيار ذات مرحلتين؛ ففي المرحلة الأولى، تستخدم طريقة احتمالية واسعة للحفاظ على اتساع وتنوع البحث. ولكن بمجرد دخول البحث في المراحل اللاحقة، تنتقل إلى نهج أكثر تركيزاً. فهي تحدد الحلول الأفضل أداءً وتنشئ "نواة" من النخبة تتقلص تدريجياً. وضمن هذه المجموعة النخبوية، تطبق نظام تصنيف يعطي فرصاً أعلى بكثير للأفراد الأفضل، مما يركز جهد البحث بفعالية على المنطقة الأكثر واعدة. والأهم من ذلك، أنها تحمي هؤلاء المتميزين من أن يتم التخلص منهم عرضياً بسبب الركود المؤقت، مما يضمن عدم فقدان أفضل المعلومات التي تم العثور عليها حتى الآن.

اختبر الباحثون هذا النظام الجديد ضد مجموعة واسعة من التحديات الرياضية القياسية المصممة لتكون صعبة على خوارزميات التحسين. وقارنوه بالخوارزمية الأصلية للنحل وست نسخ متقدمة أخرى تم تطويرها في السنوات الأخيرة. وأظهرت النتائج أن نهج الاستشعار للحالة تفوق باستمرار على الآخرين؛ فقد وجدت حلولاً أكثر دقة، ووصلت إليها بشكل أسرع، وحافظت على استقرار أكبر عبر عمليات تشغيل متعددة. وتضمنت الدراسة تحليلاً لكيفية مساهمة كل ميزة جديدة في النجاح، مما أكد أن الجمع بين التهيئة الذكية، وتعديلات البحث الديناميكية، واختيار النخبة المحمي، عمل معاً لخلق أداة متفوقة.

ولإثبات أن هذه الطريقة تعمل في العالم الحقيقي، طبقها الباحثون على مشكلة هندسية كلاسيكية: تخطيط مسار الروبوت. والهدف هو توجيه روبوت من نقطة البداية إلى الوجهة عبر شبكة مليئة بالعوائق، مع إيجاد أقصر وأسلس مسار ممكن. في هذا السيناريو، يجب على الروبوت تجنب الاصطدامات مع تقليل المسافة المقطوعة وعدد المنعطفات الحادة. وفي هذه الحالة، تمت مواجهة الخوارزمية الجديدة مع خوارزمية النحل القياسية، وعدة نسخ محسنة، وطرق تحسين شائعة أخرى مثل الخوارزميات الجينية وتحسين سرب الجسيمات. وكانت النتائج واضحة: وجدت خوارزمية الاستشعار للحالة أقصر المسارات، وأنتجت أسلس الطرق بأقل عدد من المنعطفات الحادة، وفعلت ذلك بأكثر النتائج اتساقاً. كما أتمت المهمة بشكل أسرع من معظم منافسيها، مما يثبت أن القدرة على استشعار حالة المشكلة والتكيف معها تترجم مباشرة إلى كفاءة عملية.

يشير هذا العمل إلى أن مفتاح حل مشكلات التحسين المعقدة لا يكمن فقط في امتلاك محرك بحث قوي، بل في منح ذلك المحرك الوعي الذاتي لمعرفة متى يكون واسع النطاق ومتى يكون دقيقاً. ومن خلال دمج القدرة على استشعار أبعاد المشكلة، وتقدم البحث، وجودة الجمهرة مباشرة في عملية صنع القرار للخوارزمية، خلق الباحثون نظاماً أكثر قوة وقدرة على التكيف من سابقيه. وبينما أجريت الدراسة من خلال محاكاة الكمبيوتر والمعايير الرياضية، فإن تطبيقها على ملاحة الروبوت يظهر أن هذه التحسينات لها قيمة ملموسة. وتشير النتائج إلى أنه بالنسبة للمهام عالية الأبعاد والمعقدة، فإن الخوارزمية التي يمكنها إدراك حالتها الخاصة وتعديل سلوكها وفقاً لذلك توفر ميزة كبيرة على النهج الثابت الذي يناسب الجميع.