HDRA: An Hybrid Divine Religion Algorithm Integrating Ant Colony Optimization and Memetic Search for Sustainable Electric Vehicle Routing in Smart Cities

في قلب المدن الحديثة الصاخبة، ثورة هادئة تحدث في الشوارع. فالمركبات الكهربائية تحل محل الشاحنات والحافلات التقليدية التي تعمل بالبنزين، واعدةً بمستقبل ذي هواء أنقى وضجيج أقل. ومع ذلك، فإن إدارة أسطول من هذه المركبات الكهربائية هي لغز أكثر تعقيداً بكما لو كنت تقود سيارة واحدة. فخلافاً لسيارة البنزين التي يمكن تزويدها بالوقود في دقائق عند أي محطة، يجب على المركبة الكهربائية التخطيط لرحلتها بعناية لضمان امتلاك طاقة كافية للبطارية للوصول إلى وجهتها والعودة إلى المستودع. كما يجب عليها أيضاً أن تقرر متى وأين تتوقف لإعادة الشحن، موازنةً بين الوقت المستغرق في الشحن وبين تكلفة الكهرباء وعنصر الاستعجال في عمليات التسليم. هذا التحدي، المعروف باسم مشكلة توجيه المركبات الكهربائية، يمثل صداعاً رياضياً هائلاً لمخططي المدن وشركات اللوجستيات. فإذا لم يتم تخطيط المسارات بشكل مثالي، فقد تنفد طاقة المركبات، وتتأخر عمليات التسليم، وتضيع الفوائد البيئية الموعودة بسبب عدم الكفاءة. إن إيجاد أفضل مسار ممكن من بين ملايين الخيارات هو مهمة صعبة للغاية لدرجة أن أقوى الحواسيب تكافح لحلها بسرعة.

ولمعالجة هذا التحدي، طور فريق من الباحثين من جامعات في إيران برنامجاً حاسوبياً جديداً مصمماً لإيجاد المسارات الأكثر كفاءة للمركبات الكهربائية. وقد أطلقوا على ابتكارهم اسم "خوارزمية الدين الإلهي الهجين" (Hybrid Divine Religion Algorithm)، وهو اسم قد يبدو غير مألوف ولكنه يصف طريقة تحاكي كيفية تفاعل الناس في المجتمع وتعلمهم من بعضهم البعض. لقد دمج الباحثون نموذج التعلم الاجتماعي هذا مع استراتيجيتين أخريين مثبتتين: إحداهما تحاكي كيفية عثور النمل على الطعام عن طريق ترك آثار الروائح، والأخرى تعمل مثل دليل محلي، حيث تقوم بتنقيح الحل من خلال إجراء تعديلات صغيرة ودقيقة. ومن خلال نسج هذه الأساليب الثلاثة معاً، أنشأ الفريق نظاماً يمكنه استكشاف مشهد واسع من المسارات المحتملة دون الوقوع في طرق مسدودة، مع التعمق أيضاً في المناطق الأكثر واعداً لإيجاد المسار الأفضل على الإطلاق.

اختبر الباحثون نظامهم الجديد مقابل ثلاث طرق أخرى معروفة تُستخدم لحل مشكلات مماثلة. وقد أجروا عمليات محاكاة على خمسة وثلاثين سيناريو مختلفاً، تراوحت من عمليات تسليم صغيرة تضم عدداً قليلاً من العملاء إلى عمليات واسعة النطاق تشمل عشرات المركبات والعديد من التوقفات. وفي كل اختبار، وجد النظام الهجين الجديد باستمرار مسارات كانت أرخص وأكثر كفاءة من غيره. وفي المتوسط، خفض التكلفة الإجمالية للمسارات بنحو 12 بالمائة مقارنة بإحدى الطرق القديمة، وبنحو 7 إلى 11 بالمائة مقارنة بالطرق الأخرى. قد يبدو هذا الرقم صغيراً، ولكن في عالم اللوجستيات، حيث تنقل الشركات آلاف الطرود يومياً، فإن توفير حتى نسبة صغيرة من التكلفة يترجم إلى وفورات كبيرة في المال والوقت والطاقة. لقد حقق النظام هذه النتائج من خلال الموازنة بين حاجتين متنافستين: استكشاف مسارات جديدة وغير مجربة لمعرفة ما إذا كانت أفضل، واستغلال أفضل المسارات التي وجدها بالفعل لجعلها أكثر كفاءة.

إن ما يجعل هذا النهج الجديد ذكياً بشكل خاص هو كيفية تعامله مع تدفق المعلومات. تخيل مجموعة من المسافرين يحاولون إيجاد أقصر طريق عبر غابة كثيفة. يعمل بعض المسافرين مثل النمل، حيث يتركون علامات على الأرض لتوضيح المسارات الجيدة للآخرين. بينما يعمل آخرون مثل أعضاء في مجتمع، حيث يشارك المسافرون الأكثر نجاحاً معرفتهم المحددة مع بقية المجموعة، مما يسمح للجميع بتحسين رحلتهم في نفس الوقت. يستخدم نظام الباحثين هذا المزيج من المشاركة والبحث لتجنب الفخ الشائع حيث تقع البرامج الحاسوبية في "الأمثل المحلي" (local optimum) - وهو مسار يبدو جيداً ولكنه في الواقع بعيد جداً عن الحل الأمثل الممكن. ومن خلال تحديث معرفتها باستمرار والسماح لأجزاء مختلفة من النظام بالتعلم من بعضها البعض، يستمر الخوارزم في المضي قدماً، ليجد حلولاً ليست جيدة فحسب، بل قريبة بشكل ملحوظ من المثالية.

كما بحثت الدراسة أيضاً في مدى استقرار وموثوقية النظام. فعندما أجرى الباحثون نفس المشكلة عدة مرات، أنتجت الخوارزمية الجديدة نتائج متشابهة جداً في كل مرة، مما أظهر أنها ليست مجرد ضربة حظ بل هي فعالة باستمرار. لقد كان أداؤها جيداً سواء كانت المشكلة صغيرة أو كبيرة، رغم أنها واجهت بعض التحديات في السيناريوهات الأكبر جداً، وهو أمر متوقع نظراً للتعقيد الهائل لتلك المهام. وقد لاحظ الباحثون أنه بينما كانت الطرق الأخرى أسرع أحياناً، إلا أنها غالباً ما استقرت على مسارات لم تكن بنفس الكفاءة. في المقابل، استغرق هذا النظام الجديد وقتاً أطول قليلاً في التفكير، لكنه قدم خطة نهائية أفضل بكثير. وهذا التوازن في الأداء غالباً ما يكون مستحقاً للشركات التي تحتاج إلى تقليل بصمتها البيئية وتكاليفها التشغيلية في آن واحد.

في نهاية المطاف، تقدم الدراسة المقدمة في هذه الورقة أداة جديدة قوية لبناء مدن أذكى وأكثر خضرة. فمن خلال تحسين كيفية توجيه المركبات الكهربائية، يمكن للمدن تقليل إجمالي المسافة المقطوعة، مما يقلل مباشرة من استهلاك الطاقة والانبعاثات. ويقترح الباحثون أن طريقتهم يمكن أن تعمل كأداة لدعم القرار لمخططي المدن ومديري اللوجستيات، مما يساعدهم على تصميم شبكات نقل تتسم بالكفاءة والاستدامة معاً. وبينما أجريت الدراسة من خلال عمليات محاكاة حاسوبية بدلاً من اختبارات الطرق في العالم الحقيقي، فإن النتائج قوية وذات دلالة إحصائية، مما يوفر أساساً متيناً للتطبيقات المستقبلية. ومع ازدياد شيوع المركبات الكهربائية، ستكون خوارزميات مثل هذه ضرورية لضمان أن يكون التحول نحو النقل الأخضر ليس مجرد وعد، بل واقعاً عملياً يعمل بسلاسة كل يوم.