مقياس جديد يساهم في تحسين أداء خوارزميات تخطيط مسار مركبات التوصيل ورفع كفاءة الخدمات اللوجستية

تولّد مجموعة البيانات المعيارية “SVRPBench” سيناريوهات واقعية عبر أربع مراحل. في المرحلة الأولى، تأخذ وحدة توليد المدخلات في الاعتبار تخطيط المدينة، ومواقع العملاء، والأوقات التي يتوقعون فيها استلام الطرود، ومستوى الطلب. وفي المرحلة الثانية، تضيف وحدة النمذجة العشوائية عناصر عدم اليقين المرتبطة بحركة المرور واضطرابات التنقل. ثم تأخذ وحدة تجميع الحالات في الحسبان عدد مركبات التوصيل وسعة كل منها وأزمنة التنقل. وأخيراً تُستخدم وحدة التقييم لقياس أداء خوارزميات تخطيط مسار المركبات وفق مجموعة متنوعة من المؤشرات.

وتدرس هذه المجموعة المعيارية مسائل تخطيط مسار المركبات بثلاثة أحجام مختلفة: مسائل صغيرة تضم ما بين 50 و100 عميل، ومسائل متوسطة تضم ما بين 100 و300 عميل، ومسائل كبيرة تضم أكثر من 300 عميل.

اختبار الخوارزميات في ظروف واقعية

استخدم الباحثون مجموعة البيانات المعيارية “SVRPBench” لاختبار خوارزميات مختلفة لتخطيط مسار المركبات، بما في ذلك الخوارزميات القائمة على التعلّم التعزيزي والأساليب التقليدية، وقاسوا أداءها وفق مؤشرات متعددة شملت التكلفة الإجمالية، التي تقيس الزمن التراكمي للتنقل على مستوى جميع المركبات، ووقت التشغيل، الذي يقيس المدة التي تستغرقها الخوارزمية لحساب الحل.

من حيث التكلفة الإجمالية، حقق نظام قائم على القواعد طوّرته شركة “جوجل” ويُعرف باسم “OR-Tools” أفضل أداء. وبشكل عام، تُعد أساليب التعلّم أسرع من الأساليب الإرشادية العامة ومن “OR-Tools”، لكنها ليست بالضرورة أسرع من الأساليب الإرشادية التقليدية البسيطة مثل “NN+2opt” من حيث وقت التشغيل.

وكان لإضافة نوافذ زمنية للتوصيل أثر كبير على الأداء، حيث أدت إلى زيادة التكلفة الإجمالية في جميع الخوارزميات بنسبة وصلت إلى 648%. كما حسّن تعدد المستودعات من الجدوى ووقت التشغيل في جميع الخوارزميات، مما يضيف جانباً تصميمياً عملياً ينبغي أخذه في الاعتبار عند تخطيط العمليات اللوجستية، وفق ما يوضح الباحثون.

ويشير هيكل إلى أن عنصر العشوائية الذي تضيفه هذه المجموعة المعيارية أثّر في أداء الأساليب القائمة على التعلّم التعزيزي بدرجة أكبر من الأساليب التقليدية والأساليب الإرشادية العامة، حيث تراجع أداؤها بأكثر من 20%، مضيفاً: “وجدنا أن معظم الخوارزميات القائمة على التعلّم تفشل في ظروف القيود الواقعية، مثل الازدحام المروري المفاجئ، خاصة عند الانتقال من توزيع بيانات التدريب إلى التوزيع الحقيقي”.

ويُبيّن شعبان أنه رغم التقدم الكبير الذي حققته أساليب التعلّم في مجالات مثل معالجة اللغات الطبيعية والرؤية الحاسوبية، فإن مسائل تخطيط مسار المركبات تختلف بطبيعتها عن مهام إكمال الجمل أو تصنيف الصور، حيث يقول: “تتضمن هذه المسائل قيوداً صارمة يجب الالتزام بها، مثل نوافذ التوصيل وسعة المركبات. ومع زيادة حجم المسألة، يصبح العثور على الحل الأمثل أصعب بصورة أسية”. لذلك جرى تطوير الأساليب الإرشادية التي تعتمد على التحسين المحلي على مدى عقود لتكون شديدة الكفاءة في التعامل مع هذه القيود.

ويوضح هيكل أن الفجوة بين أساليب التعلّم والأساليب الإرشادية بدأت تضيق، قائلاً: “نرى اليوم مزيداً من الأساليب الهجينة، حيث تتعلّم الشبكات العصبية توجيه الأساليب الإرشادية، بما يضيّق فعلياً مساحة البحث ويتيح لخوارزمية الحل القائمة على القواعد العمل بسرعة أكبر”.

الآفاق المستقبلية

يأمل الباحثون أن تُشكّل مجموعة البيانات المعيارية “SVRPBench” مورداً مفيداً للعاملين في قطاع الخدمات اللوجستية من خلال منحهم فكرة أدق عن أداء خوارزميات تخطيط مسار المركبات في الظروف الواقعية.

ويختتم هيكل كلامه قائلاً: “يعتقد كثيرون في القطاع الصناعي أن هذه المسألة قد جرى حلّها باستخدام الأساليب الإرشادية، لكن عند الانتقال إلى بيئات واقعية يتضح أنها لم تُحل بعد. وعملنا يُظهر أن أمامنا طريقاً طويلاً لمعالجة القيود الواقعية مثل الازدحام المروري والحوادث والتغيّر في أوقات التوصيل”.