🔢 mathematics

Maximum Dispersion, Maximum Concentration: Enhancing the Quality of MOP Solutions

यह शोध पत्र एक बहु-उद्देश्यीय अनुकूलन दृष्टिकोण प्रस्तावित करता है जो निर्णय स्थान (decision space) में फैलाव को अधिकतम करने और उद्देश्य स्थान (objective space) में निर्णय-निर्माता द्वारा परिभाषित रुचि के क्षेत्र (Region of Interest) के भीतर समाधानों को केंद्रित करने के माध्यम से समाधान की गुणवत्ता को बढ़ाता है, जिससे क्लस्टरिंग पूर्वाग्रह (clustering bias) को कम करते हुए विविधता और अभिसरण (convergence) के बीच संतुलन बना रहता है।

मूल लेखक: Gladston Moreira, Ivan Meneghini, Elizabeth Wanner

प्रकाशित 2026-02-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gladston Moreira, Ivan Meneghini, Elizabeth Wanner

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक शेफ हैं जो एक आदर्श व्यंजन बनाने की कोशिश कर रहे हैं। आपके दो मुख्य लक्ष्य हैं: भोजन का स्वाद लाजवाब होना चाहिए (लक्ष्य 1) और वह दिखने में सुंदर होना चाहिए (लक्ष्य 2)। वास्तविक दुनिया में, ये लक्ष्य अक्सर आपस में टकराते हैं; इसे बेहतर बनाने से इसकी प्रस्तुति खराब हो सकती है, या इसे दिखने में एकदम सटीक बनाने से इसका स्वाद फीका पड़ सकता है।

कंप्यूटर विज्ञान की दुनिया में, इसे मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन प्रॉब्लम (MOP) कहा जाता है। कंप्यूटर विशेष "इवोल्यूशनरी" प्रोग्रामों का उपयोग करके इन विरोधी लक्ष्यों के बीच सबसे अच्छा संतुलन खोजने का काम करते हैं। ये प्रोग्राम "परफेक्ट" विकल्पों की एक विशाल सूची तैयार करते हैं, जिन्हें पारेटो फ्रंट (Pareto Front) के रूप में जाना जाता है।

हालांकि, मोरेरा, मेनेघिनी और वानर का शोध पत्र एक बड़ी समस्या की ओर इशारा करता है कि कंप्यूटर आमतौर पर कैसे काम करते हैं:

समस्या: "भीड़ वाला कमरा" बनाम "खाली हॉल"

कल्पना कीजिए कि कंप्यूटर को 100 आदर्श व्यंजन मिलते हैं।

"स्वाद/सुंदरता" की दुनिया में (ऑब्जेक्टिव स्पेस): कंप्यूटर बहुत अच्छा काम करता है। यह व्यंजनों को इस तरह फैला देता है ताकि आप स्वाद और सुंदरता के बीच हर संभव समझौते (trade-off) को देख सकें।
"किचन" की दुनिया में (डिसीजन स्पेस): यह वह जगह है जहाँ सामग्री और खाना पकाने के तरीके रहते हैं। कंप्यूटर अक्सर यहाँ गलती करता है। वह 100 आदर्श व्यंजन तो ढूंढ लेता है, लेकिन वे सभी लगभग एक ही तरह की सामग्री और एक ही तकनीक का उपयोग करते हैं। वे एक ही रेसिपी के बहुत मामूली बदलाव मात्र हैं।

यदि आप इनमें से एक व्यंजन चुनते हैं और यह पता चलता है कि आपने जिस विशिष्ट ब्रांड के नमक का उपयोग किया था वह अब उपलब्ध नहीं है, तो आप फंस जाते हैं। आप दूसरे "परफेक्ट" व्यंजन पर स्विच नहीं कर सकते क्योंकि वे सभी उसी ब्रांड के नमक पर निर्भर हैं। समाधान "किचन" में एक जगह सिमटे हुए (clustered) हैं, भले ही वे मेन्यू पर फैले हुए दिख रहे हों।

समाधान: "अधिकतम फैलाव, अधिकतम एकाग्रता"

लेखक एक नया तरीका प्रस्तावित करते हैं जिसे C-DWU कहा जाता है। इसे एक स्मार्ट 'सू-शेफ' (sous-chef) के रूप में समझें जो कंप्यूटर के रेसिपी खोजने के तरीके को बदल देता है। यह दो काम एक साथ करता है:

अधिकतम एकाग्रता (लक्ष्य क्षेत्र - The "Target Zone"):
शेफ (निर्णय लेने वाला) कहता है, "मुझे कोई भी व्यंजन नहीं चाहिए। मुझे केवल वही चाहिए जो तीखे और मीठे हों।"
कंप्यूटर मेन्यू के "तीखे और मीठे" वाले हिस्से के चारों ओर एक अदृश्य शंकु (cone) बनाता है। वह बाकी सब कुछ को अनदेखा कर देता है और अपनी पूरी ऊर्जा उस विशिष्ट क्षेत्र के भीतर सर्वोत्तम विकल्प खोजने में लगा देता है। इसे रीजन ऑफ इंटरेस्ट (ROI) कहा जाता है।
अधिकतम फैलाव (विविध किचन - The "Diverse Kitchen"):
उस विशिष्ट क्षेत्र पर ध्यान केंद्रित करते हुए, कंप्यूटर को यह भी बताया जाता है: "लेकिन, आपको ये तीखे-मीठे व्यंजन पूरी तरह से अलग सामग्रियों और तरीकों का उपयोग करके खोजने होंगे।"
"नमक A के साथ तीखी चिकन" के 100 संस्करण खोजने के बजाय, यह नमक A के साथ एक, नमक B के साथ एक, एक अलग मसाला मिश्रण के साथ एक, पैन में पका हुआ एक, बेक किया हुआ एक, आदि खोजता है।

यह कैसे काम करता है (उपमा)

लेखक इसे समझाने के लिए एक "पेनल्टी सिस्टम" का उपयोग करते हैं।

कल्पना कीजिए कि कंप्यूटर एक खेल खेल रहा है जहाँ वह सर्वोत्तम समाधान चुनता है।
यदि कोई समाधान शेफ के "तीखे और मीठे" शंकु के बाहर है, तो कंप्यूटर उसे एक "फाउल" (दंड) देता है, जिससे उसके चुने जाने की संभावना कम हो जाती है।
यदि कोई समाधान शंकु के अंदर है लेकिन वह पहले से चुने गए किसी अन्य समाधान जैसा ही दिखता है (किचन में बहुत अधिक भीड़ है), तो कंप्यूटर उसे भी "फाउल" देता है।
कंप्यूटर को नए, अद्वितीय सामग्रियों (फैलाव) को चुनने के लिए मजबूर किया जाता है जब तक कि वे "तीखे और मीठे" के नियमों के भीतर रहें (एकाग्रता)।

उन्होंने क्या पाया

शोधकर्ताओं ने इस नए तरीके का परीक्षण एक मानक, लोकप्रिय तरीके (जिसे NSGA-II कहा जाता है) के विरुद्ध किया।

मानक तरीका: ऐसे समाधान ढूंढता है जो स्वाद/दिखावट के बेहतरीन संतुलन के बहुत करीब थे, लेकिन वे सभी एक ही सामग्री का उपयोग करते थे। वे किचन के एक ही कोने में सिमटे हुए थे।
नया तरीका (C-DWU): ऐसे समाधान ढूंढता है जो स्वाद और सुंदरता में लगभग उतने ही अच्छे थे, लेकिन वे पूरे किचन में फैले हुए थे। उन्होंने बहुत विविध सामग्रियों और तकनीकों का उपयोग किया।

परिणाम: नया तरीका निर्णय लेने वाले को एक बहुत बेहतर "मेन्यू" देता है। यदि कोई सामग्री अनुपलब्ध हो जाती है, तो उनके पास विभिन्न सामग्रियों का उपयोग करने वाले कई अन्य, समान रूप से अच्छे विकल्प मौजूद होते हैं। यह केवल एक ही प्रकार के समाधान के प्रति "पूर्वाग्रह" (bias) को रोकता है।

सारांश

यह पेपर कंप्यूटर को यह बताने का एक तरीका पेश करता है: "मेरे विशिष्ट आवश्यकताओं के लिए सर्वोत्तम विकल्प खोजें, लेकिन सुनिश्चित करें कि वे विकल्प कई अलग-अलग तरीकों से बनाए गए हों।" यह सुनिश्चित करता है कि जब आपको वास्तविक दुनिया में चुनाव करना पड़े, तो आप एक एकल, नाजुक समाधान के साथ फंसे नहीं रहेंगे, बल्कि विविध सेट के विकल्पों के साथ तैयार रहेंगे जो आपकी सभी शर्तों को पूरा करते हैं।

तकनीकी सारांश: अधिकतम फैलाव, अधिकतम एकाग्रता

समस्या की परिभाषा
बहु-उद्देश्यीय अनुकूलन समस्याओं (MOPs) में परस्पर विरोधी उद्देश्यों के बीच संतुलन बनाने की आवश्यकता होती है, जिसका लक्ष्य आमतौर पर ऑब्जेक्टिव स्पेस में पारेटो फ्रंट (PF) के समीप पहुँचना होता है। जबकि पारंपरिक मल्टी-ऑब्जेक्टिव इवोल्यूशनरी एल्गोरिदम (MOEAs) PF तक प्रभावी ढंग से पहुँचते हैं, वे अक्सर एक महत्वपूर्ण सीमा से ग्रस्त होते हैं: समाधान निर्णय स्थान (decision space - $\Omega$ ) के विशिष्ट क्षेत्रों में क्लस्टर (समूहित) हो जाते हैं। निर्णय स्थान में विविधता की यह कमी कार्यान्वयन पूर्वाग्रह (implementation bias) पैदा करती है, जहाँ निर्णय लेने वालों को विकल्पों का एक संकीकृत सेट प्रस्तुत किया जाता है जो प्रारंभिक स्थितियाँ बदलने पर अव्यवहारिक हो सकते हैं। इसके विपरीत, जबकि ऑब्जेक्टिव स्पेस में रुचि के विशिष्ट क्षेत्र (Region of Interest - ROI) पर ध्यान केंद्रित करने के लिए प्राथमिकता-आधारित विधियाँ मौजूद हैं ताकि अभिसरण (convergence) में सुधार किया जा सके, वे निर्णय स्थान में अधिकतम फैलाव (dispersion) की एक साथ आवश्यकता को शायद ही कभी संबोधित करती हैं। यह शोध पत्र ऑब्जेक्टिव स्पेस में समाधान की एकाग्रता (concentration) और निर्णय स्थान में फैलाव (dispersion) के एक साथ अनुकूलन के संबंध में साहित्य में मौजूद अंतराल की पहचान करता है।

कार्यप्रणाली: C-DWU एल्गोरिदम
लेखक मौजूदा डोमिनेंस-वेटेड यूनिफॉर्मिटी (DWU) दृष्टिकोण के एक अनुकूलन, C-DWU (कोन-डोमिनेंस वेटेड यूनिफॉर्मिटी) का प्रस्ताव करते हैं। यह कार्यप्रणाली एक निर्णय निर्माता की प्राथमिकताओं को, जिन्हें एक प्रेफरेंस कोन $C$ (जो एक अक्ष वेक्टर $v$ और एक ओपनिंग एंगल $\theta$ द्वारा अभिलक्षित है) के रूप में परिभाषित किया गया है, दो विशिष्ट संशोधनों के माध्यम से विकासवादी प्रक्रिया में एकीकृत करती है:

पेनलाइज्ड नॉन-डोमिनेटेड सॉर्टिंग: सॉर्टिंग चरण के दौरान, प्रेफरेंस कोन $C$ के बाहर स्थित समाधानों को दंडित (penalize) किया जाता है। यह दंड समाधान के ऑब्जेक्टिव वेक्टर और कोन एक्सिस $v$ के बीच कोणीय दूरी ( $\phi$ ) के समानुपाती होता है। इसकी गणना एक पेनलाइजेशन फंक्शन $P_{\alpha,\theta}(\phi) = \lfloor e^{\alpha(\phi-\theta)} \rfloor$ का उपयोग करके की जाती है, जो बाहरी समाधानों के नॉन-डोमिनेशन फ्रंट लेवल को बढ़ा देता है, जिससे खोज प्रभावी रूप से ROI की ओर बढ़ती है।
संशोधित चयन ह्यूरिस्टिक (C-wd): मानक DWU चयन ह्यूरिस्टिक, जो निर्णय स्थान में यूनिफॉर्मिटी को अधिकतम करता है, को प्रेफरेंस कोन को शामिल करने के लिए संशोधित किया गया है। एक नया फंक्शन, C-wd, कोन के बाहर के समाधानों के डोमिनेंस-वेटेड यूनिफॉर्मिटी गणना पर एक पेनल्टी टर्म $P_{\beta,\theta}(\phi)$ लागू करता है। यह सुनिश्चित करता है कि जबकि एल्गोरिदम निर्णय स्थान में समाधानों के बीच की दूरी को अधिकतम करने का प्रयास करता है (फैलाव), यह उन समाधानों को प्राथमिकता देता है जो ऑब्जेक्टिव स्पेस के ROI के भीतर एकाग्रता बाधाओं को भी पूरा करते हैं।

एल्गोरिदम का लक्ष्य समाधानों का एक ऐसा उपसमूह खोजना है जो पारेटो-ऑप्टिमल हो, ऑब्जेक्टिव स्पेस में परिभाषित ROI के भीतर केंद्रित हो, और निर्णय स्थान में अधिकतम रूप से विस्तृत (dispersed) हो।

प्रायोगिक सेटअप और परिणाम
लेखकों ने C-DWU का मूल्यांकन NSGA-II के एक संशोधित संस्करण (जिसे C-NSGAII कहा जाता है) के विरुद्ध किया, जो समान कोन-आधारित पेनलाइजेशन को मानक NSGA-II पर लागू करता है लेकिन इसमें निर्णय-स्थान फैलाव तंत्र का अभाव है। प्रयोग WFG4, WFG9 (मल्टीमॉडल), और DTLZ2 (यूनिमॉडल) टेस्ट सूट्स का उपयोग करके द्वि-उद्देश्यीय बाधित अनुकूलन समस्याओं पर किए गए, जिनमें निर्णय स्थान के आयाम 5, 7, और 9 थे।

अभिसरण (ऑब्जेक्टिव स्पेस): इसे ROI के सापेक्ष इनवर्टेड जेनरेशनल डिस्टेंस (IGD) द्वारा मापा गया। परिणाम संकेत देते हैं कि अधिकांश उदाहरणों में C-NSGAII ने बेहतर अभिसरण (कम IGD मान) प्राप्त किया।
फैलाव (निर्णय स्थान): इसे समाधानों के बीच न्यूनतम दूरी पर आधारित एक यूनिफॉर्मिटी मीट्रिक द्वारा मापा गया। C-DWU ने C-NSGAII से काफी बेहतर प्रदर्शन किया, और बहुत उच्च यूनिफॉर्मिटी मान प्राप्त किए।
विज़ुअलाइज़ेशन: WFG4 समस्या के उच्च-आयामी विज़ुअलाइज़ेशन (CAP-VIZ का उपयोग करके) ने दिखाया कि C-NSGAII के समाधान निर्णय स्थान के एक एकल सेक्टर (एक्सिस $e_9$ के पास) में भारी रूप से क्लस्टर हुए थे, जबकि C-DWU के समाधान कई सेक्टर्स (7, 8, और 9) में वितरित थे, जिनमें कोणीय दूरी और यूक्लिडियन नॉर्म दोनों में अधिक परिवर्तनशीलता देखी गई।

प्रमुख योगदान

दोहरा-उद्देश्यीय अनुकूलन: यह शोध पत्र एक ऐसा ढांचा पेश करता है जो ऑब्जेक्टिव स्पेस के एक विशिष्ट ROI में समाधान एकाग्रता को अधिकतम करने और निर्णय स्थान में समाधान फैलाव को अधिकतम करने को एक साथ संचालित करता है।
एल्गोरिदम अनुकूलन: C-DWU का विकास, जो निर्णय-स्थान विविधता से समझौता किए बिना प्रेफरेंस कोन बाधाओं को स्वीकार करने के लिए DWU एल्गोरिदम को संशोधित करता है।
पूर्वाग्रह का शमन: यह दृष्टिकोण निर्णय स्थान में "ध्रुवीकृत" (polarized) समाधानों की समस्या को संबोधित करता है, जिससे निर्णय लेने वालों को विकल्पों का एक विविध सेट मिलता है जो ऑब्जेक्टिव स्पेस के पसंदीदा क्षेत्र के भीतर भी इष्टतम होते हैं।

महत्व और दावे
लेखक दावा करते हैं कि प्रस्तावित विधि विविधता और सटीकता को संतुलित करके MOP समाधानों की गुणवत्ता को बढ़ाती है। उनका तर्क है कि हालांकि C-DWU एल्गोरिदम में C-NSGAII की तुलना में अभिसरण दर में मामूली कमी आ सकती है, लेकिन यह ट्रेड-ऑफ समाधान विविधता के पर्याप्त लाभ द्वारा न्यायसंगत है। प्राथमिक महत्व समाधानों के एक मजबूत सेट प्रदान करने में निहित है; निर्णय स्थान में विविध समाधान निर्णय लेने वालों को लचीलापन प्रदान करते हैं, जिससे वास्तविक दुनिया के परिदृश्य में अप्रत्याशित बदलाव होने पर भी कार्यान्वयन के विकल्प उपलब्ध रहते हैं, जो पुन: अनुकूलन (re-optimization) की लागत को रोकता है। शोध निष्कर्ष निकालता है कि प्रेफरेंस कोन के माध्यम से ROI को परिभाषित करना, समाधान सेट की प्रतिनिधित्व क्षमता को बनाए रखते हुए, इवोल्यूशनरी एल्गोरिदम में निर्णय निर्माता की प्राथमिकताओं को एकीकृत करने का एक प्रभावी और आसानी से समायोज्य तरीका है।

समस्या: "भीड़ वाला कमरा" बनाम "खाली हॉल"

समाधान: "अधिकतम फैलाव, अधिकतम एकाग्रता"

यह कैसे काम करता है (उपमा)

उन्होंने क्या पाया

सारांश

इसी तरह के और पेपर