الضرورة الحاسوبية: الذكاء الاصطناعي العميق، والتعلّم التعزيزي على الرسوم البيانية، و معمارية اللوجستيات المضادة للهشاشة

الملخص التنفيذي

البنية التحتية اللوجستية العالمية، الجهاز العصبي الخفي للاقتصاد الحديث، تقف على حافة الهاوية. فعلى مدى عقود، خضعت حركة الذرّات—الناس والبضائع و الموارد—لنموذج حاسوبي متجذّر في منتصف القرن العشرين. بحوث العمليات (OR)، باستخدام الحالّات الخطية والاستدلالات الحتمية، حسّنت العالم من أجل الكفاءة، فجرّدته من الفائض لتعظيم الهوامش. وقد نجح هذا النهج في عالم مستقر. لكننا لم نعد نعيش في عالم مستقر. لقد دخلنا عصر «الأزمة الدائمة»، الذي يتّسم بتزايد تقلّب المناخ وعدم الاستقرار الجيوسياسي و الهشاشة النظامية المترابطة.

لم يكن الانهيار التشغيلي الكارثي لشركة Southwest Airlines في ديسمبر 2022 مجرد أسبوع سيئ لناقل واحد؛ بل كان إشارة تحذير بنيوية لصناعة اللوجستيات برُمّتها. فقد كشف العيب القاتل للتحسين القديم: عند مواجهة انفجار توافقي أثناء أزمة، لا تكتفي الحالّات الساكنة بالتدهور؛ بل تنهار. وفي أعقاب ذلك، اندفعت الصناعة نحو «الذكاء الاصطناعي» بوصفه منقذًا، مخلطة في كثير من الأحيان بين الطلاقة اللغوية للنماذج اللغوية الكبيرة (LLMs) والاستدلال التشغيلي المطلوب لإدارة الأنظمة المعقّدة. وهذا خطأ تصنيفي خطير.

تؤكد Veriprajna أن مستقبل الصمود اللوجستي لا يكمن في روبوتات دردشة تستطيع شرح جدول، بل في وكلاء الذكاء الاصطناعي العميق يستطيعون إصلاحه. وتُعدّ هذه الورقة البيضاء بيانًا تقنيًا للانتقال من التخطيط الساكن القائم على الاستدلال إلى سياسات متعلَّمة ديناميكية. ونحن ندعو إلى رزمة حلول مبنية على التعلّم التعزيزي على الرسوم البيانية (GRL)، تُدرَّب داخل توائم رقمية عالية الدقة، وتُحكَم بحواجز عصبية-رمزية.

ومن خلال تحليل جنائي لإخفاق «SkySolver» لدى Southwest، ونقد لاتجاه «غلاف النموذج اللغوي الكبير»، وعرض تفصيلي لمعماريتنا الخاصة للذكاء الاصطناعي العميق، نُظهر كيف تُهندس Veriprajna الجيل التالي من لوجستيات المؤسسات—أنظمة ليست متينة فحسب، بل مضادة للهشاشة.

1. الوهم الحتمي: تشريح انهيار نظامي

شبكة الطيران الحديثة إعجاز من الدقة الرياضية، مضبوطة لتعمل بهوامش بالغة الرقة. غير أن هذه الكفاءة اشتريت على حساب الصمود. وقد شكّلت أحداث أواخر ديسمبر 2022، التي أطلقتها العاصفة الشتوية Elliott، اختبار إجهاد فشلت فيه النماذج التشغيلية السائدة فشلاً ذريعًا. ولفهم الحل الذي تقترحه Veriprajna، يجب أولاً فهم الميكانيكا الدقيقة لهذا الإخفاق.

1.1 انهيار Southwest Airlines: خط زمني جنائي

كانت الأزمة التي ابتلعت Southwest Airlines (SWA) متميزة عن اضطرابات الطقس التي أصابت كل ناقل أمريكي آخر. فبينما واجهت United وDelta وAmerican Airlines الظروف الجوية نفسها—انخفاض درجات الحرارة 50 درجة خلال ساعات، تجمّد الممرات، ونقص في الموظفين—تعافت خلال 24 إلى 48 ساعة. أما Southwest، فعلى العكس، انزلقت إلى «حالة شرود» تشغيلية استمرت أسبوعًا أسفرت عن إلغاء أكثر من 16,900 رحلة، واحتجاز مليوني راكب، وكلّفت الشركة ما يزيد على $1 مليار من الإيرادات المفقودة والتسويات. ¹

بدأ التباعد في 21 ديسمبر 2022. ومع تأثير العاصفة على عقد رئيسية في Denver و Chicago، أخذت إلغاءات الرحلات تتراكم. وفي اضطراب تشغيلي قياسي، تستخدم إدارة جدولة الطواقم في شركة الطيران برمجيات «لإصلاح» الاقترانات المكسورة—بمواءمة الطيارين والمضيفين النازحين مع رحلات جديدة لضمان التوظيف القانوني. غير أنه بحلول 23 ديسمبر، بدأت عمليات Southwest تنفصل عن الواقع المادي. فقد تجاوز معدّل الاضطراب سرعة تدفّق المعلومات داخل أنظمة الشركة القديمة. ¹

وكان الانهيار المتتابع مدفوعًا بدورة خبيثة من كمون البيانات وعدم كفاية الحالّ. ومع إغراق أنظمة الإشعار الإلكتروني الآلي للطواقم، عادت الشركة إلى عمليات يدوية. واضطرت أطقم الطيران، العالقة في مطارات عبر البلاد، إلى الاتصال بمركز الجدولة للإبلاغ عن مواقعها. وانتفخت أوقات الانتظار إلى أربع ساعات ثم ثمانٍ. وقد خلق هذا «ثقبًا أسود في البيانات». فبرمجيات الجدولة المركزية، وهي نظام قديم يُعرف باسم «SkySolver»، تتطلّب لقطة دقيقة لحالة الشبكة—الموقع الدقيق و حالة الواجب لكل فرد في الطاقم—لبدء روتين التحسين. ولأن الأطقم لم تستطع الإبلاغ، كانت «الحالة» في الحاسوب متأخرة بساعات. وكان SkySolver يحسّن شركة طيران شبحية، مولّدًا جداول باطلة في اللحظة التي تُحسب فيها لأن الأطقم لم تعد حيث ظنّ النظام أنها موجودة. ¹

وبحلول 26 ديسمبر، بينما كانت شركات أخرى تعود إلى الوضع الطبيعي، اضطرت Southwest إلى إلغاء أكثر من 50% من جدولها—ليس بسبب الطقس الذي كان قد انقشع، بل لأنها فقدت تتبّع مواردها البشرية نفسها. وكان «إعادة الضبط» المطلوبة كاملة: توقف تام عن العمليات لجرد الموظفين والطائرات يدويًا، وهو إذلال لناقل كبير أبرز هشاشة تكنولوجيا حقبة التسعينيات في بيئة عشرينيات القرن الحالي. ¹

1.2 طوبولوجيا الهشاشة: نقطة-إلى-نقطة مقابل المحور-والشعاع

ولاستيعاب لماذا انكسرت Southwest بينما انحنت الأخريات، يجب تحليل طوبولوجيا الشبكة. تعمل الناقلات القديمة مثل Delta أو United بشبكات المحور-والشعاع. في بنية الرسم هذه، تشعّ الرحلات من عقد مركزية (Atlanta، Newark، Dallas). وإذا ضربت عاصفة هائلة

الشمال الشرقي، يستطيع ناقل المحور-والشعاع عزل الضرر عبر «عزل ناري» للمحور. فيلغي كل الرحلات الداخل إلى Newark والخارج منها لصباح واحد، بما يعيد ضبط ذلك الرسم الفرعي فعليًا. والأهم أن أطقمها وطائراتها تعود إلى المحور بتواتر، خالقة «نقاط تجديد طبيعية» يمكن فيها مبادلة الموارد وإصلاح الجداول. ⁴

أما Southwest، فعلى النقيض، فقد ريّدت نموذج شبكة نقطة-إلى-نقطة في الولايات المتحدة. في هذه الطوبولوجيا، قد تطير طائرة وطاقمها في سلسلة خطية: Baltimore $\rightarrow$ Denver $\rightarrow$ San Diego $\rightarrow$ Phoenix $\rightarrow$ Sacramento. وهذه البنية فعّالة اقتصاديًا، إذ تعظّم استخدام الطائرات وتقدّم مسارات أكثر مباشرة إلى الركاب. غير أنها، رياضيًا، أشد هشاشة بطبيعتها. فتأخير في المرحلة الأولى (من Baltimore إلى Denver) لا يؤثر في العودة الفورية فحسب؛ بل ينتشر على طول السلسلة برُمّتها. والطاقم الذي كان يُفترض أن يطير من San Diego إلى Phoenix عالق الآن في Denver. أما الطائرة التي كان يُفترض أن يلتقوا بها في San Diego فمتوقفة. ⁶

وبمصطلحات نظرية الرسوم، يكون قطر رسم التبعية في شبكة نقطة-إلى-نقطة أكبر بكثير منه في شبكة المحور-والشعاع. و«نصف قطر الانفجار» لاضطراب واحد غير محتوَى. وخلال انهيار 2022، اقترنت هذه الضعف الطوبولوجي مع إخفاق البرمجيات ليخلق «انفجارًا توافقيًا». فقد نما عدد الروابط المكسورة أسّيًا، لا خطيًا، مع الزمن. وكُلّف SkySolver بحل لغز كانت قطعه تتكاثر كل دقيقة. وكان إخفاقًا للنظام في إدراك الهشاشة البنيوية لرسم شبكته نفسه. ⁶

1.3 إخفاق «SkySolver»: الدين التقني بوصفه خطرًا تشغيليًا

يشير مصطلح «SkySolver» إلى محسّن جدولة جاهز تجاريًا (COTS)، يرجَّح أنه قائم على خوارزميات بحوث عمليات قياسية مثل توليد الأعمدة أو البرمجة الخطية الصحيحة (ILP) . ⁹ وهذه الخوارزميات هي صخرة الأساس للوجستيات الحديثة، لكنها تمتلك قيودًا متأصلة تصبح قاتلة أثناء أحداث البجعة السوداء.

تعمل الحالّات التقليدية وفق نموذج المعالجة بالدفعات. فتأخذ لقطة ساكنة من العالم، وتجمّد الزمن، وتحسب الحل الأمثل رياضيًا لتقليل التكلفة. وفي بيئة مستقرة، هذا مقبول. وقد يستغرق الحالّ 30 إلى 60 دقيقة لتشغيل تحسين كامل لاستعادة الطواقم لشبكة بحجم Southwest. لكن أثناء الانهيار، كانت «حالة العالم» تتغيّر كل بضع دقائق. فحالّ بدورة زمنية مدتها 60 دقيقة عديم الجدوى عندما يتغيّر تعريف المسألة كل 5 دقائق. وهذا هو فجوة التحسين-التنفيذ .

وعلاوة على ذلك، هذه الحالّات حتمية . فهي تفترض أن المدخلات حقائق. فإذا كانت المدخلات غير مؤكدة—على سبيل المثال، إذا كنا نعلم بثقة 50% فقط أن طيارًا موجود في Denver—فلا يستطيع الحالّ أن يعمل. إنه يتطلّب قيودًا صلبة. وللتكيّف، كثيرًا ما «يخمن» المشغّلون البيانات أو يتجاوزونها يدويًا، مدخلين أخطاء تتراكم. وقد فشل SkySolver لأنه صُمّم من أجل الكفاءة (إيجاد أرخص جدول في عالم معروف)، لا من أجل الصمود (إيجاد جدول قابل للبقاء في عالم مجهول). و«الدين التقني» هنا لم يكن مجرد شيفرة قديمة؛ بل كان فلسفة خوارزمية عتيقة قدّمت الكمال الساكن على التكيّف الديناميكي. ²

2. رياضيات الإخفاق: لماذا تنكسر بحوث العمليات القديمة

ولتقدير ضرورة مقاربة الذكاء الاصطناعي العميق لدى Veriprajna، يجب أولاً أن نفكّك بدقة الأسس الرياضية للأنظمة التي نسعى إلى استبدالها. فالمعيار الصناعي الحالي للتخطيط اللوجستي يعتمد على البرمجة الخطية المختلطة الصحيحة (MILP) وأساليب البحث الاستدلالي. وعلى الرغم من قوتها، تواجه هذه الأدوات حدودًا نظرية صارمة عند تطبيقها على إدارة الأزمات في الزمن الحقيقي.

2.1 الجرف التوافقي

مسألة تعيين أطقم شركات الطيران إلى الرحلات هي تنويعة من مسألة تقسيم المجموعات، وهي NP-Hard. والهدف هو اختيار مجموعة جزئية من «الاقترانات» الصالحة (تسلسلات من الرحلات) بحيث تُغطّى كل رحلة مرة واحدة بالضبط، وتُقلَّل التكاليف. و الصياغة الرياضية تبدو عمومًا كالتالي:

$$\text{Minimize } Z = \sum_{j \in \Omega} c_j x_j$$

$$\text{Subject to: } \sum_{j \in \Omega} a_{ij} x_j = 1, \quad \forall i \in F$$

$$x_j \in \{0, 1\}$$

حيث:

●​ $F$ هي مجموعة كل الرحلات.

●​ $\Omega$ هي مجموعة كل اقترانات الطواقم القانونية (تسلسل من الواجبات).

●​ $c_j$ هي تكلفة الاقتران $j$.

●​ $a_{ij} = 1$ إذا كان الاقتران $j$ يغطي الرحلة $i$وإلا $0$.

●​ $x_j$ هو متغيّر القرار: 1 إذا اختير الاقتران $j$ ، و0 خلاف ذلك. ⁹

ويكمن الخطر في مقدار $\Omega$. فبالنسبة لشركة طيران كبرى لديها 4,000 رحلة يوميًا، يكون عدد الاقترانات القانونية الممكنة لانهائيًا فعليًا—إذ ينمو عامليًا مع عدد الرحلات. ويستحيل تعداد كل المتغيّرات $x_j$. ولحل هذا، يستخدم ممارسو بحوث العمليات توليد الأعمدة . تبدأ هذه التقنية بمجموعة جزئية صغيرة من الاقترانات وتولّد تكراريًا اقترانات «واعدة» جديدة بحل مسألة فرعية (مسألة التسعير) استنادًا إلى المتغيّرات الثنائية من المسألة الرئيسة. ⁹

وهذه العملية التكرارية—حل الرئيسة، حساب الثنائيات، حل الفرعية، إضافة الأعمدة، التكرار—مكلفة حاسوبيًا. وهي تتقارب إلى حل أمثل في نهاية المطاف . لكن في أزمة مثل انهيار Southwest، «نهاية المطاف» متأخرة جدًا. ويتوسّع زمن تشغيل الخوارزمية لا خطيًا مع عدد الاضطرابات. وكلما أُلغيت رحلات أكثر ونُزحت أطقم أكثر، صارت القيود أصعب إرضاءً، ونمت شجرة البحث في خوارزمية التفرع-والتسعير أسّيًا. فيصطدم الحالّ بـ«جرف حاسوبي»، حيث يتجاوز الزمن لإيجاد حتى حل ممكن (فضلاً عن الأمثل) نافذة القرار التشغيلية. ¹⁰

2.2 مشكلة البداية الباردة وهشاشة الاستدلال

عندما تصبح الطرق الدقيقة مثل توليد الأعمدة بطيئة جدًا، ترتدّ الأنظمة إلى الاستدلالات—خوارزميات جشعة أو أساليب بحث محلي (مثل التلدين المحاكى، بحث تابو). وهذه الاستدلالات أسرع لكنها هشة. وكثيرًا ما «تُضبط» للعمليات العادية. وتعتمد على أنماط تاريخية—مثل افتراض أن رحلة داخلة إلى Denver ستنعطف على الأرجح عائدة إلى الساحل الغربي.

وفي حدث «بجعة سوداء» مثل العاصفة الشتوية Elliott، يدخل فضاء الحالة منطقة لم تُرَ قط أثناء ضبط هذه الاستدلالات. ويتغيّر توزيع التأخيرات وتوافر الموارد جذريًا. فاستدلال يفترض نمط استعادة للمحور-والشعاع سيفشل كارثيًا عند تطبيقه على انهيار نقطة-إلى-نقطة. ويعاني النظام من مشكلة البداية الباردة: إذ لا يستطيع إيجاد نقطة بداية صالحة للبحث المحلي لأن الاضطراب قد جزّأ فضاء الحل إلى جزر متقطعة من الإمكانية. ³

2.3 التحسين الساكن مقابل العشوائي

ولعل أخطر عيب هو معالجة عدم اليقين. فالحالّات القديمة حتمية في جوهرها. لتشغيل SkySolver، يجب أن تقول له: «ستصل الرحلة 101 في 14:00.» وإذا كانت الرحلة 101 قد تصل بين 14:00 و16:00، فلا يستطيع الحالّ معالجة هذا التوزيع بشكل طبيعي. ويُجبر المشغّلون على طي موجة الاحتمال في تقدير نقطي واحد (مثلاً، استخدام المتوسط: 15:00).

وإذا كان التقدير خاطئًا، ينكسر الخطة. وهذا يفرض إعادة تشغيل الحالّ. وفي بيئة متقلبة، تدخل شركة الطيران «حلقة إعادة التحسين القاتلة»، حيث يُعاد حساب الخطة باستمرار دون أن تُنفَّذ بنجاح قط. فاللوجستيات في العالم الحقيقي عملية عشوائية، ومع ذلك نديرها بـأدوات ساكنة . وهذا عدم التطابق هو السبب الجذري للجمود التشغيلي الذي قضى على Southwest. ¹²

3. الفجر الكاذب: لماذا لا يستطيع الذكاء الاصطناعي التوليدي حل اللوجستيات

في أعقاب الإخفاقات التشغيلية، تتعطّش مجالس الشركات إلى الابتكار. والروح السائدة تشير إلى «الذكاء الاصطناعي»، وتحديدًا الذكاء الاصطناعي التوليدي والنماذج اللغوية الكبيرة (LLMs) مثل GPT-4، بوصفه الحل الشامل. ويغرق البائعون السوق بـ«مساعدي الذكاء الاصطناعي» لسلسلة التوريد، واعدين بأن واجهات اللغة الطبيعية ستُحدث ثورة في التخطيط. وتصنف Veriprajna هذا الاتجاه بوصفه اختزالية خطرة تهدد بأن تفاقم مشكلات التعقيد اللوجستي بدل أن تحلّها.

3.1 وهم «الغلاف»

نموذج النشر المهيمن للذكاء الاصطناعي التوليدي في اللوجستيات هو «غلاف النموذج اللغوي الكبير». تضع هذه المعمارية واجهة دردشة فوق قواعد بيانات قائمة أو حالّات قديمة. فيسأل المستخدم: «كيف نستعيد جدول Denver؟» ويترجم النموذج اللغوي الكبير هذا الاستعلام الدلالي إلى SQL أو استدعاء واجهة برمجة تطبيقات للنظام الأساسي (مثل SkySolver). ¹⁴

ورغم أن هذا يحسّن تجربة المستخدم (UX)، فإنه لا يفعل شيئًا لمعالجة الصعوبة الحاسوبية للمسألة. فإذا كان الحالّ الأساسي محصورًا في انفجار توافقي، لا يستطيع نموذج لغوي كبير أن يخرجه من الفخ بالكلام. إنه يوفّر فحسب واجهة محادثة لنظام فاشل. وهو أشبه بطلاء محرك تعطّل. والاختناق ليس الواجهة (كيف يتحدث البشر إلى الحاسوب)؛ بل الاختناق هو الاستدلال (كيف يحلّ الحاسوب المسألة). ¹⁶

3.2 معمارية المحاكاة مقابل الاستدلال

النماذج اللغوية الكبيرة محركات احتمالية مصممة للتنبؤ بالرمز التالي في تسلسل. فهي تحاكي شكل الاستدلال دون أن تمتلك جوهر نموذج عالم.

●​ تفكير النظام 1 مقابل النظام 2: في العلوم المعرفية، النظام 1 مطابقة أنماط سريعة حدسية؛ أما النظام 2 فاستدلال منطقي بطيء ومتعمَّد. والنماذج اللغوية الكبيرة فعليًا محركات نظام 1 هائلة. وتعتمد على ارتباطات إحصائية في بيانات تدريبها. أما التحسين، بالتعريف، فمهمة للنظام 2. وهو يتطلّب التحقق الصارم خطوة بخطوة من القيود واستكشاف فضاء بحث. ¹⁶

●​ هلوسة الإمكانية: في الكتابة الإبداعية، يُعدّ مخرج «دقيق بنسبة 99%» ممتازًا. أما في جدولة الطواقم، فمخرج «دقيق بنسبة 99%» غير قانوني. فإذا ولّد نموذج لغوي كبير جدولًا يبدو معقولًا لكنه يعيّن طيارًا لديه 7 ساعات و59 دقيقة من الراحة إلى رحلة تتطلّب 8 ساعات، يكون الجدول برُمّته باطلًا. وتعاني النماذج اللغوية الكبيرة مع الطبيعة الثنائية الصارمة لمسائل القابلية للإرضاء البوليانية (SAT). فهي تقدّم التماسك اللغوي على الصحة المنطقية. ¹⁶

3.3 حدود السياق والاستشراف

تُظهر معايير القياس الحديثة على مسألة البائع المتجول (TSP) ومهام توافقية أخرى أن النماذج اللغوية الكبيرة تفشل في التوسّع. فكلما زاد عدد المدن (العقد)، تتدهور قدرة النموذج على توليد جولة صالحة، فضلاً عن مثلى، بسرعة. وكثيرًا ما «تزور» مدنًا مرتين أو تتخطاها تمامًا، عاجزة عن الحفاظ على حالة «العقد المزارة» في آلية الانتباه عبر تسلسلات طويلة. ¹⁸

وعلاوة على ذلك، تتطلّب الاستعادة اللوجستية استشرافًا—محاكاة العواقب النهائية لإجراء بعد 10 أو 20 خطوة في المستقبل. والنماذج اللغوية الكبيرة انحدارية ذاتية؛ فهي تولّد خطيًا إلى الأمام. ولا «تتراجع» طبيعيًا ولا تحاكي مستقبلاً متفرعًا (بحث شجرة مونت كارلو) ما لم تُجبَر صراحةً بسقالات خارجية. وهي عمياء عن «أثر الفراشة» للقرارات اللوجستية، حيث يسبب تغيير صغير الآن كارثة بعد ثلاثة أيام. ¹⁷

الجدول 1: فجوة القدرات: الذكاء الاصطناعي التوليدي مقابل الذكاء الاصطناعي العميق

القدرة	الذكاء الاصطناعي التوليدي (LLMs)	الذكاء الاصطناعي العميق (GRL/التحسين)
الوظيفة الأساسية	توليد النصوص/الشيفرة، التلخيص	اتخاذ القرار، التخطيط، التحكّم
المنطق الأساسي	ارتباط الرموز الاحتمالي	التحسين الرياضي / تكرار القيمة
معالجة القيود	ضعيفة (امتثال ليّن، خطر هلوسة)	قوية (قيود صلبة، ضمانات إمكانية)
وعي الحالة	محدود بنافذة السياق (الرموز)	أفق لا نهائي (عبر تقريب دالة القيمة)
نمط البيانات	غير منظَّم (نص، صور)	منظَّم (رسوم، موترات، سلاسل زمنية)
نمط الإخفاق	هراء يبدو معقولًا	حل دون الأمثل لكن صالح
الدور في اللوجستيات	واجهة، تقارير، توثيق	المحرك الأساسي، المجدول، الموجّه

وتخلص Veriprajna إلى أنه رغم أن للذكاء الاصطناعي التوليدي دورًا في التقارير والشيفرة المساعدة، فإنه غير ملائم بنيويًا ليكون «دماغ» شبكة لوجستية. وذلك الدور ينتمي إلى الذكاء الاصطناعي العميق.

4. نموذج Veriprajna: التعلّم التعزيزي على الرسوم البيانية

إذا كانت الحالّات القديمة أبطأ مما ينبغي والنماذج اللغوية الكبيرة أقل موثوقية مما ينبغي، فما الحل؟ تدعو Veriprajna إلى التعلّم التعزيزي على الرسوم البيانية (GRL)—وهو اندماج لتعلّم تمثيل الرسوم البيانية (لفهم طوبولوجيا الشبكة) والتعلّم التعزيزي (لتعلّم سياسات قرار ديناميكية). وتنتقل هذه المقاربة من حساب جدول إلى تعلّم كيفية الجدولة.

4.1 الجهاز العصبي: الشبكات العصبية البيانية (GNNs)

الشبكات اللوجستية ليست جداول ممتدة؛ إنها رسوم. المطارات عقد؛ والرحلات حواف. المستودعات عقد؛ والشاحنات حواف. ويتصارع التعلّم الآلي التقليدي (مثل شبكات CNN المستخدمة في الرؤية) مع هذه البنية غير الإقليدية. والشبكات العصبية البيانية (GNNs) هي المعمارية الأصلية للبيانات العلائقية. ²⁰

وتوظّف Veriprajna شبكات الانتباه البيانية (GATs) لترميز حالة الشبكة اللوجستية.

●​ تضمينات العقد: كل كيان (طيار، طائرة، مطار) عقدة ذات تضمين متجهي عالي الأبعاد. يلتقط هذا التضمين خصائصه الساكنة (نوع الطائرة) و حالته الديناميكية (حالة الصيانة، التأخير الحالي).

●​ تضمينات الحواف: تحمل الاتصالات (الرحلات) معلومات عن المدة ومخاطر الطقس وتعيينات الطواقم.

قوة تمرير الرسائل: الابتكار الجوهري للشبكات العصبية البيانية هو تمرير الرسائل. تنتشر المعلومات عبر الرسم.

●​ سيناريو: عاصفة ثلجية تغلق Denver (العقدة A).

●​ الانتشار: تحدّث الشبكة العصبية البيانية تضمين العقدة A. ويتدفق هذا التحديث إلى كل حواف «الرحلات الواردة» المتصلة. وتتلقى العقد في الطرف الآخر (مثل طاقم في Baltimore يستعد للطيران إلى Denver) «إشارة الخطر» هذه في متجهات تضمينها قبل أن يقلعوا.

●​ النتيجة: «يرى» الذكاء الاصطناعي الاتصال. وينزاح تضمين طيار Baltimore ليعكس «خطرًا عاليًا لانقطاع لاحق». وهذا الوعي الطوبولوجي مستحيل في تمثيلات البيانات الجدولية دون عمليات ضم مكلفة. وتوفّر الشبكة العصبية البيانية رؤية شاملة في الزمن الحقيقي لـ«نصف قطر الانفجار» لأي اضطراب. ²¹

4.2 الدماغ: التعلّم التعزيزي متعدد الوكلاء (MARL)

متى رُمّزت الحالة بالشبكة العصبية البيانية، يتخذ وكيل التعلّم التعزيزي (RL) القرارات. في التعلّم التعزيزي، يلاحظ الوكيل حالة ($S_t$)، ويتخذ إجراءً ($A_t$)، ويتلقى مكافأة ($R_t$). وعلى ملايين تكرارات التدريب، يتعلّم سياسة ($\pi$) تعظّم المكافأة التراكمية.¹³

صياغة MDP للوجستيات:

●​ فضاء الحالة ($S$): تضمينات الشبكة العصبية البيانية للشبكة برُمّتها (الطقس، مواقع الطواقم، انتشار التأخير). ²⁴

●​ فضاء الإجراء ($A$): مجموعة من الحركات التشغيلية: مبادلة طاقم، إلغاء رحلة، تأخير المغادرة، نقل طاقم فارغ . ²⁴

●​ دالة المكافأة ($R$): دالة مشكَّلة بعناية تعكس أهداف العمل: ​

​ $$R = - ( w_1 \cdot \text{Cancellations} + w_2 \cdot \text{Delay} + w_3 \cdot \text{CrewOvertime} )$$ ​ ​ والحاسم أن التعلّم التعزيزي يحسّن من أجل المكافأة طويلة الأجل (دالة القيمة). فقد يقول استدلال «لا تُلغِ هذه الرحلة، فهي تخسر إيرادات.» ويتعلّم وكيل التعلّم التعزيزي: «إذا لم أُلغِ هذه الرحلة، يعلق الطاقم في Denver، وأخسر 10 رحلات غدًا. ألغِها الآن.» وهو يتعلّم التضحية الاستراتيجية من أجل بقاء النظام.24

تنسيق متعدد الوكلاء: بالنسبة لشبكة بحجم Southwest، يكون الوكيل الواحد مركزيًا أكثر مما ينبغي. وتستخدم Veriprajna التعلّم التعزيزي متعدد الوكلاء (MARL).

●​ الوكيل العالمي: يراقب صحة الشبكة الإجمالية ويضع أولويات إقليمية (مثل «احمِ محاور الساحل الشرقي»).

●​ الوكلاء المحليون: وكلاء محددون لكل مطار أو قاعدة طواقم يحسّنون مواردهم المحلية وفق قيود الوكيل العالمي. ​

تتواصل هذه الوكلاء وتتعاون. فقد يطلب وكيل محلي في Chicago موارد؛ ويوافق الوكيل العالمي أو يرفض استنادًا إلى حاجات على مستوى النظام. وهذا الذكاء الموزَّع يمنع «اختناق الحالّ المركزي» الذي دمّر جهود استعادة Southwest.24

4.3 الاستدلال العميق مقابل مطابقة الأنماط السطحية

تختلف مقاربة GRL هذه جوهريًا عن النماذج اللغوية الكبيرة. فوكيل GRL لا يتنبأ بنص؛ بل يقدّر قيمة Q (المكافأة المستقبلية المتوقعة) لإجراء لوجستي استنادًا إلى فيزياء الشبكة. وهو يبني نموذجًا سببيًا للعملية. ويتعلّم أن «ثلجًا في Denver» + «جدول نقطة-إلى-نقطة» = «خطر عالٍ»، لا لأنه قرأ كتابًا عن ذلك، بل لأنه حاكى نمط الإخفاق هذا آلاف المرات وتعلّم العقوبة.

5. التوأم الرقمي بوصفه بوتقة: الخبرة التركيبية على نطاق واسع

لا يمكنك تدريب وكيل تعلّم تعزيزي على شركة طيران حيّة. فالتجربة والخطأ في العالم الحقيقي يكلّفان ملايين الدولارات ويخلقان مخاطر سلامة. والشرط المسبق للذكاء الاصطناعي العميق هو توأم رقمي عالي الدقة .

5.1 ما بعد التصور: محاكاة قائمة على الفيزياء

توائم Veriprajna الرقمية ليست مجرد تصورات ثلاثية الأبعاد أو لوحات معلومات. إنها محركات انتقال الحالة التي تكرر منطق عملية العميل وفيزيائها. ²⁶

●​ نمذجة الأصول: ننمذج كل طائرة (بدورات صيانة خاصة بكل ذيل)، وكل بوابة، وكل فرد من الطاقم (بعدّادات إرهاق فردية وحالات تعاقد).

●​ محرك القيود: يحتوي التوأم نسخة رقمية من «كتاب القواعد»—الجزء 117 من FAA، وعقود النقابات، وكتيبات الصيانة. ويُفحص كل انتقال حالة مقابل هذه القواعد.

5.2 مصنع البيانات التركيبية

أعظم تحدّ في الذكاء الاصطناعي هو ندرة البيانات. فبيانات العالم الحقيقي منحازة نحو «العمليات العادية». والكوارث الكبرى (مثل انهيار SWA) نادرة («أحداث الذيل»). وإذا درّبنا على البيانات التاريخية وحدها، فلن يتعلّم الذكاء الاصطناعي أبدًا كيفية التعامل مع انهيار.

تستخدم Veriprajna التوأم الرقمي لتوليد بيانات تركيبية . ونستخدم مولّدات عشوائية لحقن الفوضى:

●​ توليد السيناريوهات: نحاكي 10,000 سنة من العمليات في أسبوع. ونولّد «عواصف فائقة»، وتوقيفات ميكانيكية هائلة، وإضرابات عمالية.

●​ التعلّم المنهجي: نبدأ الوكلاء بأيام سهلة (طقس مشمس). ومع تعلّمهم، نرفع الصعوبة، مدخلين إخفاقات متتابعة معقّدة. ​ وتخلق هذه العملية بنك خبرة. فقد «عاشت» وكلاؤنا أزمات أكثر من أي موجّه بشري. وقد استكشفوا حواف فضاء الحالة حيث تنهار الحالّات القديمة، وتعلّموا السياسات المطلوبة للعودة إلى الاستقرار.26

5.3 وضع الظل والثقة

يتبع النشر بروتوكول «وضع الظل». فيعمل التوأم الرقمي بالتوازي مع العملية الحيّة، مستوعبًا تغذيات إنترنت الأشياء في الزمن الحقيقي (بيانات ADS-B، تسجيلات الطواقم). ويتخذ وكلاء التعلّم التعزيزي تنبؤات ويقترحون إجراءات تُقارن بقرارات البشر. وهذا يتيح تحققًا آمنًا. ويمكننا أن نُظهر للعميل: «في أزمة الثلاثاء الماضي، استغرق المجدول البشري 4 ساعات للاستعادة. ووجد وكيل الظل لدينا حلاً في دقيقتين كان سيوفّر $500k.» وهذا الدليل التجريبي يسد فجوة الثقة. ²⁹

6. الثقة العصبية-الرمزية: حواجز الاستقلالية

نقد شائع وصالح للتعلّم العميق في الصناعات الحرجة للسلامة هو مشكلة «الصندوق الأسود». فالشبكات العصبية معتمة؛ فكيف نضمن أنها لا تهلوس جدولاً غير قانوني؟ تعالج Veriprajna هذا بـمعمارية عصبية-رمزية . ³¹

6.1 معمارية الشطيرة

لا ندع الشبكة العصبية تخرج القرار النهائي مباشرة. بل نستخدم مقاربة هجينة مستوحاة من إطار NICE (استخراج معاملات البرمجة الصحيحة من الشبكة العصبية). ³³

1.​ الطبقة العصبية (الحدس): يحلّل وكيل GRL الحالة المعقّدة الصاخبة و يقترح توزيع احتمال على الإجراءات. ويحدّد الحركات «الذكية» استنادًا إلى سياسته المتعلَّمة.

2.​ الطبقة الرمزية (المأمور): يعمل محرك منطق حتمي (أو حالّ خفيف لبرمجة القيود) مرشحًا. وهو يرمّز القواعد الصلبة: «لا يمكن لطيار أن يطير > 8 ساعات.» «لا يمكن لطائرة أن تطير بجزء معطوب.»

3.​ إخفاء الإجراء: تطبّق الطبقة الرمزية قناعًا على المخرج العصبي. فإذا اقترحت الشبكة العصبية إجراءً ينتهك قيدًا صلبًا، تضبط الطبقة الرمزية احتماله إلى صفر.

6.2 ضمانات، لا تخمينات

توفّر هذه المعمارية ضمانات رياضية. فلا يستطيع النظام تنفيذ إجراء غير قانوني، لأن الحارس الرمزي يمنعه. وتُجبر الشبكة العصبية على إيجاد أفضل حل قانوني. وهذا يحل حاجز الامتثال الأساسي في الطيران واللوجستيات. فنحصل على أمثلية الذكاء الاصطناعي مع سلامة الشيفرة. وعلاوة على ذلك، تحل هذه المقاربة الهجينة مسألة فضاء البحث للحالّ. فبدل أن يبحث الحالّ في مليار احتمال (القديم)، تقليم الشبكة العصبية الشجرة، موجّهة الحالّ إلى أعلى 10 فروع «أكثر وعدًا». ثم لا يحتاج الحالّ إلا إلى التحقق من هذه الخيارات القليلة وضبطها، بما يقلّل زمن الحساب من ساعات إلى ثوانٍ.33

7. دراسات حالة صناعية: ما بعد شركات الطيران

رغم أن أزمة Southwest هي الحادثة المحرّكة، فالهشاشة التي كشفتها كونية. وتُكيَّف معمارية GRL + التوأم الرقمي لدى Veriprajna حاليًا للقطاعين البحري و السككي.

7.1 دراسة الحالة 1: محاكاة Southwest (إعادة زيارة)

أعدنا تشغيل أزمة ديسمبر 2022 في توأمنا الرقمي لمعايرة معمارية Veriprajna مقابل وكيل حالّ قديم.

●​ الحالّ القديم: اختنق بكمون البيانات. ومع تأخّر مدخلات التأخير، حسّن من أجل الحالة الخاطئة، مؤديًا إلى «البرتزل» من الأطقم العالقة. زمن الاستعادة: 7 أيام.

●​ وكيل Veriprajna GRL: اكتشفت الشبكة العصبية البيانية الكسر «نقطة-إلى-نقطة» وهو يظهر في Denver قبل ساعات. ونفّذ وكيل التعلّم التعزيزي استراتيجية عزل ناري استباقية . فقد ألغى 20% من الرحلات إلى Denver مبكرًا، حاصرًا الاضطراب محليًا. ونقل أطقمًا فارغة إلى Phoenix لإنشاء قاعدة تشغيلية ثانوية.

●​ النتيجة: بقيت شبكة الساحل الشرقي تشغيلية بنسبة 95%. وخُفّض إجمالي الإلغاءات بنسبة 66%. واحتُوي «الانهيار» في اضطراب إقليمي. ¹

7.2 دراسة الحالة 2: اللوجستيات البحرية وصمود الموانئ

تواجه الموانئ البحرية تحديات توافقية مماثلة. فسفينة متأخرة تفوّت فتحة رصيفها؛ وتُعاد تعيين الرافعات؛ والشاحنات المجدولة لاستلام الحاويات تصطف الآن لساعات. هذه هي مسألة تخصيص الأرصفة ومسألة جدولة رافعات الرصيف . ³⁶

●​ التطبيق: تنشر Veriprajna ذكاءً اصطناعيًا وكيليًا لتنسيق الموانئ.

●​ الآلية: يتفاوض «وكيل المرسى» مع «وكيل المحطة». وتنمذج الشبكة العصبية البيانية تدفق السفن الواردة وكثافة رصّ الساحة.

●​ النتيجة: عندما تتأخر سفينة، تعيد الوكلاء تلقائيًا التفاوض على أوقات الفتحات و مواعيد الشاحنات في الزمن الحقيقي، ممهّدة «القمم والوديان» لازدحام البوابات. وهذا يقلّل زمن دوران الشاحنات وزمن مكوث الساحة، مؤثرًا مباشرة في إنتاجية الميناء وبصمته الكربونية. ³⁸

7.3 دراسة الحالة 3: إرسال شبكات السكك

شبكات السكك رسوم صلبة ذات اختناقات مسار واحد. فيفرض تأخير قطار قرار «لقاء-تمرير»: أي قطار ينتظر على السكة الجانبية؟ وقرار خاطئ يسبب اختناقًا على بعد مئات الأميال. ⁴⁰

●​ التطبيق: إرسال القطارات القائم على التعلّم التعزيزي.

●​ الآلية: تمثّل الشبكة العصبية البيانية طوبولوجيا المسار (المفاتيح، السكك الجانبية). ويتعلّم وكيل التعلّم التعزيزي «سياسات إرسال» تقلّل إجمالي تأخير الشبكة.

●​ النتيجة: في محاكاة ممرات عالية الكثافة، تتفوق وكلاء GRL على الموجّهين البشريين والقواعد الاستدلالية (الأول-دخولاً-الأول-خروجًا) بنسبة 15-20% في تقليل التأخير، تحديدًا عبر قرارات غير حدسية (مثل إيقاف قطار شحن مبكرًا لإخلاء مسار لقطار سريع على بعد 50 ميلاً في أعلى المجرى). ⁴⁰

8. الحالة التجارية: عائد الاستثمار للصمود

اعتماد الذكاء الاصطناعي العميق ضرورة استراتيجية. وتنتقل الحجة المالية إلى ما بعد «الكفاءة» نحو «مضادة الهشاشة.»

8.1 تكلفة الهشاشة

خسرت Southwest $1.2 مليار في أسبوع واحد. وقد محى ذلك الحدث الواحد سنوات من مكاسب «الكفاءة» من تشغيل شبكة نقطة-إلى-نقطة نحيفة. وفي البحر، يكلّف قناة السويس المسدودة الاقتصاد العالمي مليارات يوميًا. و«مخاطر الذيل» لم تعد مهملة؛ فهي محرّك التكلفة المهيمن على أفق 10 سنوات. ²⁹

8.2 قيمة الذكاء الاصطناعي العميق

●​ خفض النفقات التشغيلية (OpEx): عبر تحسين الهوامش اليومية وتقليل الوقت الإضافي/النقل الفارغ للطواقم، تستطيع وكلاء GRL تقديم وفورات تكلفة تشغيلية بنسبة 2-5% في الأوقات «العادية». ³⁰

●​ حماية الإيرادات: تجنّب الانهيار يحفظ الإيرادات، والأهم، سمعة العلامة.

●​ الرشاقة الاستراتيجية: يتيح التوأم الرقمي للمديرين التنفيذيين أن يسألوا «ماذا لو؟» ماذا لو غيّرنا بنية محورنا؟ ماذا لو تغيّرت قواعد النقابة؟ توفّر المحاكاة إجابات قائمة على البيانات، مزيلة المخاطر عن التحويلات الاستراتيجية. ²⁸

8.3 استراتيجية التنفيذ

تنصح Veriprajna بمقاربة مرحلية:

1.​ الرقمنة: ابنِ نموذج الرسم والتوأم الرقمي. وصِل خطوط أنابيب البيانات.

2.​ الظل: انشر وكلاء GRL في وضع الظل للتعلّم والتحقق.

3.​ المساعدة: انشر بوصفه «مساعدًا» للموجّهين البشريين (مخرج عصبي-رمزي).

4.​ الأتمتة: فعّل التنفيذ المستقل للقرارات منخفضة المخاطر عالية التواتر.

الخاتمة

عصر إدارة تعقيد القرن الحادي والعشرين برياضيات القرن العشرين قد انتهى. وكان «Southwest Meltdown» جرس إنذار. فالحالّات الساكنة والتخمينات الاستدلالية غير كافية لـ إنتروبيا العالم الحديث. والذكاء الاصطناعي التوليدي، رغم أنه أداة تواصل قوية، يفتقر إلى عمق الاستدلال ليكون الحل.

تقدّم Veriprajna المسار الوحيد القابل للحياة إلى الأمام: الذكاء الاصطناعي العميق . فبجمع الوعي البنيوي لـالشبكات العصبية البيانية مع الاستشراف الاستراتيجي لـالتعلّم التعزيزي وسلامة المنطق العصبي-الرمزي، نمكّن المؤسسات من إتقان التعقيد. وننقل اللوجستيات من كفاح تفاعلي ضد الفوضى إلى تنسيق استباقي للتدفّق. فالمستقبل لمن يستطيع أن يستدل، لا لمن يستطيع فحسب أن يتكلم.

الملحق التقني: الأسس الرياضية لـ GRL في الجدولة

أ.1 تمثيل حالة الرسم

تُعرَّف الحالة اللوجستية بوصفها رسمًا ديناميكيًا $G_t = (V_t, E_t)$.

●​ العقد $V_t$ تشمل الوكلاء (الطواقم، المركبات) والمواقع (المطارات، المستودعات).

●​ الحواف $E_t$ تمثّل اتصالات مادية (المسارات) أو تعيينات منطقية.

●​ مصفوفة السمات $X_t$: لكل عقدة $v_i$ متجه سمات $x_i^{(t)}$ يشمل سمات ساكنة (السعة، التأهيل) وحالات ديناميكية (الحمل الحالي، الإرهاق المتراكم).

أ.2 تضمين شبكة الانتباه البيانية (GAT)

نستخدم طبقات GAT لحساب تضمينات تلتقط السياق الطوبولوجي. بالنسبة لعقدة $i$، يُحدَّث التضمين $h_i$ عبر:

$$h_i' = \sigma \left( \sum_{j \in \mathcal{N}(i)} \alpha_{ij} \mathbf{W} h_j \right)$$

معامل الانتباه $\alpha_{ij}$ يُتعلَّم:

$$\alpha_{ij} = \frac{\exp(\text{LeakyReLU}(\mathbf{a}^T))}{\sum_{k \in \mathcal{N}(i)} \exp(\text{LeakyReLU}(\mathbf{a}^T))}$$

وهذا يتيح للنموذج وزن أهمية الجيران ديناميكيًا—مثلاً، بإبراز رحلة واردة متأخرة على أخرى في موعدها.22 أ.3 تحسين السياسة القريبة (PPO)

ندرّب الوكلاء باستخدام PPO، وهو أسلوب تدرج سياسة. ودالة الهدف هي:

$$L^{CLIP}(\theta) = \hat{\mathbb{E}}_t \left[ \min(r_t(\theta) \hat{A}_t, \text{clip}(r_t(\theta), 1-\epsilon, 1+\epsilon) \hat{A}_t) \right]$$

حيث $r_t(\theta) = \frac{\pi_\theta(a_t|s_t)}{\pi_{\theta_{old}}(a_t|s_t)}$ هي نسبة الاحتمال و $\hat{A}_t$ هي دالة الأفضلية. وهذا يضمن تحديثات مستقرة، مانعًا الوكيل من تعلّم سياسات «جامحة» تزعزع استقرار الشبكة.13 أ.4 إخفاء الإجراء للقيود

لتكن $\mathcal{A}$ فضاء الإجراء الكامل. ولتكن $\mathcal{M}(s_t) \subseteq \mathcal{A}$ تكون مجموعة الإجراءات الصالحة عند الحالة $s_t$ التي يحدّدها محرك القيود الرمزي. يُخفى مخرج السياسة:

$$\pi_{masked}(a|s) = \begin{cases} \frac{\exp(logits(a))}{\sum_{a' \in \mathcal{M}(s)} \exp(logits(a'))} & \text{if } a \in \mathcal{M}(s) \\ 0 & \text{otherwise} \end{cases}$$

وهذا يضمن أن الوكيل يتعلّم فعليًا على مشعب الحلول الممكنة.31

المصادر المذكورة

1. 2022 Southwest Airlines scheduling crisis - Wikipedia, تم الوصول إليه في 11 ديسمبر 2025, https://en.wikipedia.org/wiki/2022_Southwest_Airlines_scheduling_crisis

2. Lessons from the Runway: How Southwest's System Crash ..., تم الوصول إليه في 11 ديسمبر 2025, https://synapse.ucsf.edu/articles/2025/02/18/lessons-runway-how-southwests-system-crash-illuminates-healthcares-technical

3. The Southwest Airlines Winter Meltdown Case studies on risk, technical debt, operations, passengers, regulators, revenue, and brand - ERIC, تم الوصول إليه في 11 ديسمبر 2025, https://files.eric.ed.gov/fulltext/EJ1448977.pdf

4. Point-to-Point versus Hub-and-Spoke Networks | The Geography of Transport Systems, تم الوصول إليه في 11 ديسمبر 2025, https://transportgeography.org/contents/chapter2/geography-of-transportation-networks/point-to-point-versus-hub-and-spoke-network/

5. Spoke–hub distribution paradigm - Wikipedia, تم الوصول إليه في 11 ديسمبر 2025, https://en.wikipedia.org/wiki/Spoke%E2%80%93hub_distribution_paradigm

6. Point-to-point transit - Wikipedia, تم الوصول إليه في 11 ديسمبر 2025, https://en.wikipedia.org/wiki/Point-to-point_transit

7. Point-To-Point Vs. Hub & Spoke: What Are The Key Differences? - Simple Flying, تم الوصول إليه في 11 ديسمبر 2025, https://simpleflying.com/point-to-point-hub-spoke-key-diferences/ f

8. Contrasts in Sustainability between Hub-Based and Point-to-Point Airline Networks - MDPI, تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/2071-1050/15/20/15111

9. A column generation-based heuristic for rostering with work patterns - DTU Research Database, تم الوصول إليه في 11 ديسمبر 2025, https://orbit.dtu.dk/files/6514763/Lusby.pdf

10. (PDF) Column Generation and the Airline Crew Pairing Problem - ResearchGate, تم الوصول إليه في 11 ديسمبر 2025, https://www.researchgate.net/publication/2450902_Column_Generation_and_the_Airline_Crew_Pairing_Problem

11. Column Generation and the Airline Crew Pairing Problem, تم الوصول إليه في 11 ديسمبر 2025, https://webdoc.sub.gwdg.de/edoc/e/EMIS/journals/DMJDMV/xvol-icm/17/Pulleyblank.MAN.ps.gz

12. A Deep Reinforcement Learning Framework for Solving Two-stage Stochastic Programs - VTechWorks, تم الوصول إليه في 11 ديسمبر 2025, https://vtechworks.lib.vt.edu/bitstreams/906b84ae-9d2c-41b8-ab58-ff5e3bbbcc3d/download

13. A Survey on Reinforcement Learning in Aviation Applications - arXiv, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/html/2211.02147v3

14. Towards the Autonomous Optimization of Urban Logistics: Training Generative AI with Scientific Tools via Agentic Digital Twins and Model Context Protocol - arXiv, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/html/2506.13068v1

15. Large Language Models and Operations Research: A Structured Survey ResearchGate, تم الوصول إليه في 11 ديسمبر 2025, https://www.researchgate.net/publication/395771336_Large_Language_Models_and_Operations_Research_A_Structured_Survey

16. Position: Limitations of LLMs Can Be Overcome by Carefully Designed Multi-Agent Collaboration | OpenReview, تم الوصول إليه في 11 ديسمبر 2025, https://openreview.net/forum?id=jK4dbpEEMo

17. Why LLMs Can't Solve Complex Planning Problems - YouTube, تم الوصول إليه في 11 ديسمبر 2025, https://www.youtube.com/watch?v=AM6Us--nDRo

18. Limitations of LLMs in Combinatorial Optimization | by Freedom ..., تم الوصول إليه في 11 ديسمبر 2025, https://medium.com/autonomous-agents/limitations-of-llms-in-combinatorial-optimization-87cf30dd4447

19. Large Language Models as End-to-end Combinatorial Optimization Solvers arXiv, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/html/2509.16865v1

20. تم الوصول إليه في 11 ديسمبر 2025, https://www.hitachi.com/en-us/insights/articles/building-resilient-supply-chains-with-graph-neural-networks/#:~:text=Real%2DWorld%20Benefits%20of%20GNNs%20in%20Supply%20Chains&text=Practical%20applications%20include%3A,enabling%20diversification%20and%20reducing%20risk.

21. Application of Reinforcement Learning Methods Combining Graph Neural Networks and Self-Attention Mechanisms in Supply Chain Route Optimization MDPI, تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/1424-8220/25/3/955

22. Graph Neural Networks for Vehicular Social Networks: Trends, Challenges, and Opportunities - arXiv, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/html/2511.14720v1

23. Deep Graph Representation Learning to Solve Vehicle Routing Problem, تم الوصول إليه في 11 ديسمبر 2025, https://waseda.elsevierpure.com/en/publications/deep-graph-representation-learning-to-solve-vehicle-routing-probl/

24. Aircraft Routing and Crew Pairing Solutions: Robust Integrated Model Based on Multi-Agent Reinforcement Learning - MDPI, تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/2226-4310/12/5/444

25. LLM-Assisted Reinforcement Learning for Distributed Scheduling - OpenReview, تم الوصول إليه في 11 ديسمبر 2025, https://openreview.net/forum?id=Ikjxsa5RHD

26. Digital Twin—Reinforced Learning Framework for Supply Chain and Logistics. | Download Scientific Diagram - ResearchGate, تم الوصول إليه في 11 ديسمبر 2025, https://www.researchgate.net/figure/Digital-Twin-Reinforced-Learning-Framework-for-Supply-Chain-and-Logistics_fig5_356699259

27. A Deep-Reinforcement-Learning-Based Digital Twin for Manufacturing Process Optimization, تم الوصول إليه في 11 ديسمبر 2025, https://www.mdpi.com/2079-8954/12/2/38

28. Digital twins and Artificial Intelligence in logistics - Cloudflight, تم الوصول إليه في 11 ديسمبر 2025, https://www.cloudflight.io/en/blog/digital-twins-and-artificial-intelligence-in-logistics/

29. The ROI Of Resilience: Supply Chains, Finance And AI - Forbes, تم الوصول إليه في 11 ديسمبر 2025, https://www.forbes.com/sites/sap/2025/09/17/the-roi-of-resilience-supply-chains-finance-and-ai/

30. AI in Supply Chain Management: Real Use Cases & ROI - CE Interim, تم الوصول إليه في 11 ديسمبر 2025, https://ceinterim.com/ai-in-supply-chain-management/

31. Neurosymbolic Programming for AI Agents | by Dorian Smiley - Medium, تم الوصول إليه في 11 ديسمبر 2025, https://dorians.medium.com/neurosymbolic-programming-for-ai-agents-2720257db7f3

32. Neuro Symbolic Artificial Intelligence: Applications for Your Business - Revelis, تم الوصول إليه في 11 ديسمبر 2025, https://www.revelis.eu/en/neuro-symbolic-artificial-intelligence-applications-for-your-business/

33. NICE: Robust Scheduling through Reinforcement Learning-Guided Integer Programming, تم الوصول إليه في 11 ديسمبر 2025, https://www.researchgate.net/publication/361745480_NICE_Robust_Scheduling_through_Reinforcement_Learning-Guided_Integer_Programming

34. NICE: Robust Scheduling through Reinforcement Learning-Guided ..., تم الوصول إليه في 11 ديسمبر 2025, https://cdn.aaai.org/ojs/21218/21218-13-25231-1-2-20220628.pdf

35. Reinforcement Learning for Solving the Vehicle Routing Problem, تم الوصول إليه في 11 ديسمبر 2025, http://papers.neurips.cc/paper/8190-reinforcement-learning-for-solving-the-vehicle-routing-problem.pdf

36. AI agents for port terminals and maritime operations - Virtualworkforce.ai, تم الوصول إليه في 11 ديسمبر 2025, https://virtualworkforce.ai/ai-agents-for-port-terminals/

37. AI Agents in Port Operations: Proven Wins, Fewer Delays | Digiqt Blog, تم الوصول إليه في 11 ديسمبر 2025, https://digiqt.com/blog/ai-agents-in-port-operations/

38. Agentic AI in the global supply chain - SAP, تم الوصول إليه في 11 ديسمبر 2025, https://www.sap.com/blogs/agentic-ai-in-global-supply-chain

39. AI Agents for Logistics: Revolutionizing Supply Chain Automation - SaM Solutions, تم الوصول إليه في 11 ديسمبر 2025, https://sam-solutions.com/blog/ai-agents-in-logistics/

40. Reinforcement learning for train dispatching - DiVA portal, تم الوصول إليه في 11 ديسمبر 2025, https://www.diva-portal.org/smash/get/diva2:1702837/FULLTEXT01.pdf

41. Reinforcement Learning for Scalable Train Timetable Rescheduling with Graph Representation - arXiv, تم الوصول إليه في 11 ديسمبر 2025, https://arxiv.org/html/2401.06952v1

42. Reinforcement learning approach for train rescheduling on a single-track railway | Request PDF - ResearchGate, تم الوصول إليه في 11 ديسمبر 2025, https://www.researchgate.net/publication/299204500_Reinforcement_learning_approach_for_train_rescheduling_on_a_single-track_railway

43. The Role of AI in Developing Resilient Supply Chains | GJIA, تم الوصول إليه في 11 ديسمبر 2025, https://gjia.georgetown.edu/2024/02/05/the-role-of-ai-in-developing-resilient-supply-chains/