HYPAR-ABC: طريقة هجينة متوازية لتحسين مستعمرة النحل الاصطناعي لمسألة النقل واسعة النطاق

الملخص

في هذا البحث، نقدم خوارزمية HYPAR‑ABC، وهي طريقة هجينة متوازية تعتمد على مستعمرة النحل الاصطناعية، قُسّمت فيها مجموعات الحلول إلى جزر حوسبية مستقلة تتبادل المعلومات دوريًّا عند نقاط مزامنة مختارة. تشمل الخوارزمية آليات تكيف ديناميكي تضبط معلمات البحث تلقائيًّا استنادًا إلى تقدم التحسين، واستراتيجيات هجرة متقدمة تضبط تردد ومعدل تبادل الحلول بين الجزر، فضلاً عن تطبيق بحث محلي انتقائي لتعزيز استغلال الحلول الواعدة.

تم تقييم HYPAR‑ABC على مجموعات بيانات معيارية لمسائل توجيه المركبات ذات النوافذ الزمنية
 (Solomon, Gehring & Homberger)  ومشكلات TSP/CVRP وPDPTW، إضافةً إلى بيانات صناعية مماثلة لبيئات لوجستية واسعة النطاق. أظهرت النتائج تفوقًا واضحًا مقارنة بخوارزمية ABC التقليدية، إذ تقلصت فجوة الحلول المثلى بنسبة تجاوزت 67%، وحقق النموذج تسريعًا يصل إلى 89× عند استخدام 128 معالجًا. كما أظهر استقرارًا أعلى (انحراف معياري منخفض) وكفاءة توازي تتراوح بين 0.70–0.95 مع تنوع عدد المعالجات. على الرغم من زيادة استهلاك الذاكرة مع عدد كبير من الجزر، يظل HYPAR‑ABC قابلاً للتوسع ومرنًا في مواجهة ظروف التشغيل الديناميكية. تشير نتائج الدراسة إلى أن HYPAR‑ABC يقدم إطارًا عمليًّا لتحسين تخصيص وتوجيه الأساطيل في شبكات توزيع واسعة النطاق، مع إمكانية توسيعه مستقبليًّا لدمج التعلم الآلي أو معالجة مسائل متعددة الأهداف.