GPR-Assisted Whale Optimization for PID Controller Tuning in Automotive Cruise Control Systems

تخيل سيارة تسير على طريق سريع، سرعتها ثابتة ليس بفعل قدم بشرية تضغط على دواسة الوقود، بل بواسطة نظام حاسوبي يضبط المحرك باستمرار ليتناسب مع هدف محدد. هذا هو الوعد الذي يقدمه نظام مثبت السرعة، وهي تقنية صُممت لتقليل إجهاد السائق وتحسين كفاءة استهلاك الوقود. لعقود من الزمن، كان العقل الكامن وراء هذه الأنظمة غالبًا ما يكون متحكمًا بسيطًا ثلاثي الأجزاء يُعرف باسم (PID). فكر في الأمر كأنه سائق يستجيب لثلاثة أشياء: مدى ابتعاد السرعة الحالية عن الهدف، ومدة استمرار هذا الاختلاف، ومدى سرعة تغير السرعة. وبينما يعد هذا النهج موثوقًا، إلا أنه يعاني عندما يصبح الطريق منحدرًا، أو تشتد الرياح، أو يتصرف محرك السيارة بشكل غير متوقع. ولجعل هذه المتحكمات تعمل بشكل مثالي، يتعين على المهندسين ضبط إعداداتها الثلاثة الداخلية بعناية. القيام بذلك يدويًا أمر بطيء وغير دقيق، بينما استخدام طرق حاسوبية قديمة لإيجاد الإعدادات المثالية غالبًا ما يستغرق وقتًا طويلاً جدًا أو ينتهي بطريق مسدود، فاشلًا في إيجاد أفضل حل ممكن.

لقد اقترح باحث في جامعة تبریز طريقة جديدة لحل مشكلة الضبط هذه، من خلال مزج نوعين متميزين من الذكاء الحاسوبي لإنشاء نظام يتعلم بشكل أسرع ويتكيف بشكل أفضل. يركز عملهم، المنشور في مقال بحثي، على إطار عمل هجين يجمع بين استراتيجية بحث مستوحاة من الطبيعة وتقنية تعلم آلي تتنبأ بالنتائج. يستخدم الجزء الأول من حلهم خوارزمية تسمى "خوارزمية تحسين الحوت" (Whale Optimization Algorithm). تحاكي هذه الطريقة سلوك الصيد لدى حيتان أحدب، والتي تدور حول فريستها في لولب متقلص للإيقاع بها. في النموذج الحاسوبي، يترجم هذا إلى مجموعة من "الباحثين" الافتراضيين الذين يستكشفون مشهدًا شاسعًا من إعدادات التحكم الممكنة؛ حيث يتحركون لاستكشاف المناطق الواعدة، ثم يضيقون نطاق تركيزهم لتنقيح أفضل الخيارات التي وجدوها. أما الجزء الثاني من الحل، فيقدم نموذج "انحدار العملية الغاوسية" (Gaussian Process Regression)، والذي يعمل كمُتنبئ عالي الدقة. فبدلاً من تشغيل محاكاة كاملة ومستهلكة للوقت في كل مرة يختبر فيها الباحثون إعدادًا جديدًا، يقوم هذا المتنبئ بتقدير النتيجة بناءً على البيانات السابقة. إنه يشبه امتلاك خريطة توضح التضاريس قبل أن تضطر لمشي كل مسار، مما يسمح للنظام بتجاوز الطرق المسدودة والتركيز على الإعدادات المثلى بخطوات أقل بكثير.

اختبر الباحث هذا النهج المدمج من خلال محاكاة نظام مثبت السرعة في سيارة تحت ظروف متنوعة، بما في ذلك التغيرات المفاجئة في السرعة والاضطرابات الخارجية. وقارن طريقته الجديدة بتقنيتين راسختين: نهج "القوة الغاشمة" (Brute-force) الذي يفحص كل إعداد ممكن واحدًا تلو الآخر، وخوارزمية جينية تحاكي التطور البيولوجي لتطوير حلول أفضل. أظهرت النتائج من هذه المحاكاة أن إطار العمل الهجين الجديد تفوق على كلا المنافسين؛ فقد وجد أفضل إعدادات المتحكم بسرعة أكبر وأنتج رحلة أكثر سلاسة. وتحديدًا، قلل النظام الذي تم ضبطه بهذه الطة الجديدة من الوقت المستغرق لتستقر السيارة في سرعتها المستهدفة إلى ما يزيد قلي بدلًا من ثانيتين فقط، مع إبقاء "التجاوز" (Overshoot) — وهو مقدار تجاوز السيارة للسرعة المستهدفة قبل التصحيح — دون واحد بالمائة. وفي المقابل، استغرقت الطرق الأخرى وقتًا أطول للاستقرار أو سمحت للسيارة بالتذبذب بشكل أكثر حدة حول السرعة المرغوبة.

وعلاوة على السرعة، فحص الباحث استقرار النظام باستخدام تحليل التردد، الذي ينظر في كيفية استجابة نظام التحكم في السيارة لأنواع مختلفة من اضطرابات الطريق. كشفت عمليات المحاكاة أن الطريقة الجديدة حافظت على هامش أمان أوسع، مما يعني أن النظام كان أقل عرضة لعدم الاستقرار أو الاضطراب عند مواجهة تغييرات غير متوقعة. كما كانت إشارة التحكم، التي تمثل الأوامر الفعلية المرسلة إلى المحرك، أكثر سلاسة، مع وجود هزات أو تذبذبات أقل حدة. يشير هذا إلى أن الطريقة الجديدة لا تجعل السيارة أسرع في الاستجابة فحسب، بل تجعلها أيضًا ألطف على المكونات الميكانيكية للمركبة. كما تتبع الدراسة كيف تغيرت الإعدادات الداخلية للمتحكم بمرور الوقت؛ ففي البداية، تذبذبت القيم بشكل واسع بينما كان النظام يستكشف احتمالات مختلفة، لكنها سرعان ما تقاربت نحو مجموعة ثابتة ودقيقة من الأرقام. يشير هذا الاستقرار السريع إلى أن النظام وازن بكفاءة بين الحاجة إلى استكشاف أفكار جديدة والحاجة إلى تنقيح أفضل ما وجده بالفعل.

كما تحقق الباحث من دقة نموذج التنبؤ الخاص به من خلال مقارنة توقعاته مع النتائج الفعلية للمحاكاة. جاءت التوقعات مطابقة للنتائج الحقيقية بدقة ملحوظة، مما أكد أن النموذج يمكنه التنبؤ بالأداء بشكل موثوق دون الحاجة إلى تشغيل المحاكاة الكاملة والمكلفة في كل مرة. هذه الكفاءة أمر بالغ الأهمية للتطبيقات الواقعية حيث تكون أجهزة الكمبيوتر ذات قدرات ووقت محدودين. ومن خلال إثبات أن هذا النهج الهجين يمكنه إيجاد إعدادات تحكم فائقة السرعة والاستقرار مقارنة بالطرق الموجودة، تقدم الدراسة مسارًا مقنعًا نحو الجيل القادم من أنظمة المركبات الذكية. ويشير العمل إلى أنه من خلال السماح لخوارزمية بحث مستوحاة من الطبيعة بالعمل جنبًا إلى جنب مع نموذج تعلم تنبؤي، يمكن للمهندسين إنشاء أنظمة مثبت سرعة ليست أكثر دقة فحسب، بل أكثر قوة أيضًا في مواجهة الظروف غير المتوقعة الموجودة في الطرق الحقيقية.