NEPHILA: A Bio-Inspired Optimization Algorithm Based on Adaptive Interception Dynamics and Learning-Guided Search

في المشهد الشاسع للعلم الحديث، هناك تحدٍ مستمر يُعرف باسم "التحسين" (optimization): وهو البحث عن الحل الأمثل الوحيد من بين عدد لا نهائي تقريبًا من الاحتمالات. وسواء كان مخطط مدينة يحاول توجيه شاحنات التوصيل لتوفين الوقود، أو مهندس يضبط آلة لتعمل بأقصى كفاءة، أو عالم بيانات يدرب حاسوبًا للتعرف على الوجوه، فإنهم جميعًا يواجهون نفس الجبل الرياضي. غالبًا ما تكون تضاريس هذه المشكلات وعرة ومربكة، مليئة بقمم محلية تبدو وكأنها القمة ولكنها في الواقع طرق مسدودة. وللتنقل في هذا المسار، لجأ الباحثون منذ زمن طويل إلى الطبيعة للاستلهام؛ فقد راقبوا كيف تجد النمل أقصر طريق إلى الغذاء، وكيف تتحرك أسراب الطيور ككيان واحد، وكيف تصطاد الذئاب في مجموعات، وترجمة هذه السلوكيات البيولوجية إلى برامج حاسوبية يمكنها حل المشكلات المعقدة. هذه الخوارزميات "المستوحاة حيويًا" هي أدوات قوية، لكنها غالبًا ما تعتمد على قواعد بسيطة من الجذب أو الحركة. فماذا لو استطاع الحاسوب، بدلًا من مطاردة الحل، أن يتعلم بناء خريطة أفضل للمنطقة نفسها، وتكييف استراتيجيته أثناء استكشافها؟

هذا هو السؤال الذي يتناوله جيلبرتو بيريز-ليتشوغا في دراسة جديدة تقدم خوارزمية تسمى "نيفيلا" (NEPHILA). يأتي الاسم من جنس من عناكب نسيج الخيوط، وهي مخلوقات لا تطارد فريستها بنشاط، بل تبني بدلاً من ذلك شباكًا معقدة تتكيف مع الرياح، وموقع الفريسة، والطاقة المطلوبة لبنائها. تقوم هذه العناكب باستمرار بإعادة تشكيل شباكها، حيث تعزز المناطق التي تتوقع فيها وقوع صيد وتتخلى عن الأجزاء التي لم تعد مفيدة. لم يحاول بيريز-ليتشوغا محاكاة بيولوجيا العنكبوت بشكل مباشر؛ بل ترجم منطق "الاعتراض التكيفي" هذا إلى استراتيجية بحث رقمية. كان الهدف هو إنشاء نظام لا يتجول عشوائيًا أو يتبع قائدًا واحدًا فحسب، بل نظام يتعلم من تاريخه، ويقلم المسارات غير المنتجة، ويستخدم "خريطة" مدروسة للجودة لتوجيه خطواته التالية.

اختبر الباحثون هذا النهج الجديد على سلسلة من الألغاز الرياضية القياسية المصممة لتكون صعبة الحل على الحواسيب. وقاموا بتشغيل خوارماية "نيفيلا" آلاف المرات مقابل ست طرق أخرى معروفة، بما في ذلك الطرق القائمة على أسراب الجسيمات وأسراب الطيور. أظهرت النتأيج أن "نيفيلا" أداة مرنة، لكنها ليست فائزة عالميًا؛ ففي بعض مشكلات الاختبار، وجدت خوارزميات أخرى إجابات أفضل وبسرعة أكبر، وفي أخرى، كان أداء "نيفيلا" تنافسيًا. كشفت الدراسة أن نجاح الخوارزمية يعتمد بشدة على الشكل المحدد للمشكلة التي تحاول حلها. ففي بعض الحالات، ساعدت الآلية المعقدة للتعلم والتكيف الخوارزمية على إيجاد حلول أفضل، بينما في حالات أخرى، كان النهج الأبسط يعمل بنفس الكفاءة. يشير هذا إلى أن قيمة "نيفيلا" لا تكمن في كونها الأفضل في كل شيء، بل في قدرتها على تنسيق استراتيجيات بحث مختلفة — التجوال العشوائي، والبحث المحلي الدقيق، والتعلم من الأخطاء الماضية — لتناسب المشهد المحدد الذي تستكشفه.

ولرؤية ما إذا كان هذا النهج يمكنه التعامل مع اللوجستيات في العالم الحقيقي، قام الفريق بتكييف "نيفيلا" لحل "مسألة البائع المتجول" (Traveling Salesman Problem)، وهي لغز كلاسيكي حيث يجب على المسافر زيارة قائمة من المدن مرة واحدة بالضبط والعودة إلى المنزل مع قطع أقصر مسافة ممكنة. لقد أنشأوا نسخة من الخوارزمية تعمل مباشرة مع قوائم المدن بدلاً من الأرقام المستمرة. وعند اختبارها على خريطة اصطناعية مكونة من مائة مدينة، وجدت النسخة الجديدة، التي تسمى "نيفيلا-تي إس بي" (NEPHILA-TSP)، مسارًا أقصر بكثير من تلك التي وجدتها الطرق الأخرى التي تمت مقارنتها بها. لقد اكتشفت مسارًا بمتوسط مسافة أقصر من أقرب منافس لها. ومع ذلك، كان الباحثون حذرين في ملاحظة أن هذا النجاح يعود جزئيًا إلى إدراج خطوة تحسين محلي محددة، وهي تقنية تعدل المسار عن طريق تبديل اتصالين لمعرفة ما إذا كان سيصبح أقصر. وعندما أزالوا هذه الخطوة، انخفضت جودة المسارات بشكل كبير، مما أظهر أن الجمع بين البحث التكيفي والضبط المحلي الدقيق هو ما صنع الفارق.

أصبحت القصة أكثر تعقيدًا عندما اختبر الفريق الخوارزمية على أربع خرائط مختلفة من العالم الحقيقي من مكتبة معيارية للمشكلات، تتراوح من خمسين إلى مائة وخمسين مدينة. هنا، كانت النتائج مختلطة؛ ففي أصغر خريطة، وجدت "نيفيلا-تي إس بي" مسارات متوسطة أفضل من الخوارزمية الجينية القياسية، وهي نوع آخر من الطرق المستوحاة من الطبيعة. ولكن في الخرائط الأكبر، وجدت الخوارزمية الجينية باستمرار مسارات أقصر وفعلت ذلك في وقت أقل. وجدت الدراسة أن "نيفيلا-تي إس بي" كافحت لمواكبة الأمر مع نمو عدد المدن، حيث أنتجت غالبًا مسارات أطول بكثير من أفضل الحلول المعروفة. لاحظ الباحثون أن آليات التكيف في الخوارزمية، والتي تسمح لها بتغيير استراتيجيتها بناءً على الأداء السابق، تسببت أحيانًا في عبء حسابي زائد دون تقديم تحسن مقابل في الإجابة النهائية.

كشفت تجارب إضافية أن أداء "نيفيلا-تي إس بي" كان حساسًا للغاية لمقدار القدرة الحسابية المتاحة. فعندما منح الباحثون الخوارزمية ثلاثة أضعاف الوقت للبحث في خريطة مكونة من مائة مدينة، تحسنت جودة المسارات بشكل ملحوظ، حيث انخفض متوسط المسافة بنسبة تقارب ثلاثين بالمائة. وأشار هذا إلى أن الخوارزمية لم تكن معيبة بالضرورة، بل كانت بحاجة إلى مزيد من الوقت للتعلم والتكيف مع تعقيد المشكلات الأكبر. كما أظهرت الدراسة أن تبسيط الخوارزمية عن طريق إزالة بعض المكونات المعقدة يمكن أن يؤدي أحيانًا إلى نتائج أفضل، مما يشير إلى أن الجمع الحالي من الأدوات قد يكون ثقيلاً جدًا لبعض المهام. وخلص الباحثون إلى أنه بينما توفر "نيفيما" إطارًا واعدًا للجمع بين التعلم والبحث، فهي ليست حلًا سحريًا يحل كل المشكلات فورًا.

في النهاية، يقدم هذا العمل صورة واضحة لما يحدث عندما تحاول خوارزمية مستوحاة حيويًا التعلم أثناء سيرها. لقد أثبت نظام "نيفيلا" بنجاح أن عملية البحث يمكن توجيهها بواسطة تقدير متعلم لمكان وجود الحلول الجيدة، تمامًا مثل عنكبوت يستشعر الاهتزازات في الشبكة. ومع ذلك، أرست الدراسة أيضًا قاعدة مفادها أن هذا التعلم يأتي بتكلفة؛ فالآليات التكيفية التي تسمح للخوارزمية بتغيير سلوكها يمكن أن تبطئها أحيانًا أو تشتت انتباهها عن إيجاد المسار الأفضل، خاصة عندما تصبح المشكلة كبيرة جدًا. وتشير النتائج إلى أن مستقبل مثل هذه الخوارمايات لا يكمن في جعلها أكثر تعقيدًا، بل في ضبط كيفية موازنتها بين الاستكشاف، والتعلم، واستخدام التحسينات المحلية. ومن خلال فهم متى وأين تساعد هذه الاستراتيجيات التكيفية أو تعيق العمل، يمكن للباحثين بناء أدوات أفضل لحل التحديات اللوجستية والهندسية المعقدة في العالم الحديث.