🤖 machine learning

QUASAR: An Evolutionary Algorithm to Accelerate High-Dimensional Numerical Optimization

यह शोध पत्र QUASAR को प्रस्तुत करता है, जो एक नवीन विकासवादी एल्गोरिदम (evolutionary algorithm) है जो उच्च-आयामी, गैर-विभेदनीय अनुकूलन समस्याओं (non-differentiable optimization problems) को हल करने में मौजूदा विधियों से काफी बेहतर प्रदर्शन करने के लिए क्वांटम कणों से प्रेरित अर्ध-अनुकूली स्टोकेस्टिक तंत्रों के साथ डिफरेंशियल इवोल्यूशन को बढ़ाता है।

मूल लेखक: Julian G. Soltes

प्रकाशित 2026-02-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Julian G. Soltes

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 विशाल, धुंधले जंगल में कैंपफायर (अलाव) लगाने के लिए सबसे अच्छी जगह खोजने की कोशिश कर रहे हैं। यह जंगल इतना बड़ा और जटिल है कि इसमें हजारों आयाम (dimensions) हैं (जैसे कि एक के ऊपर एक रखी हुई पहाड़ियों, घाटियों, नदियों और पेड़ों की परतें)। इसे वैज्ञानिक "हाई-डायमेंशनल ऑप्टिमाइज़ेशन" (high-dimensional optimization) कहते हैं।

यदि आप एक सीधी रेखा में चलने या किसी मानचित्र का पालन करने की कोशिश करते हैं (पारंपरिक गणितीय तरीकों की तरह), तो आप फंस जाएंगे या खो जाएंगे क्योंकि इलाका बहुत अजीब है। आपको एक साथ पूरे जंगल की खोज करने के लिए खोजकर्ताओं (explorers) की एक टीम की आवश्यकता होगी। यहीं पर QUASAR काम आता है।

यहाँ एक सरल विवरण दिया गया है कि पेपर क्या कहता है कि QUASAR क्या करता है, रोज़मर्रा के उदाहरणों का उपयोग करके:

समस्या: "आयामों का अभिशाप" (The Curse of Dimensionality)

खोज क्षेत्र (search space) को एक विशाल, बहु-स्तरीय भूलभुलैया के रूप में सोचें। जैसे-जैसे भूलभुलैया अधिक जटिल होती जाती है (अधिक आयाम जुड़ते हैं), बाहर निकलने का रास्ता खोजना घातीय रूप से (exponentially) कठिन हो जाता है। पुराने तरीके अक्सर एक छोटे से डेड-एंड (अंतिम छोर) में फंस जाते हैं (समय से पहले अभिसरण/premature convergence) या बिना कुछ पाए भटकते रहते हैं।

समाधान: QUASAR (क्वांटम-प्रेरित खोजकर्ता)

QUASAR एक नया "खोजकर्ताओं का समूह" (एक इवोल्यूशनरी एल्गोरिदम) है जिसे पिछले समूहों की तुलना में तेजी से और बेहतर तरीके से समाधान खोजने के लिए डिज़ाइन किया गया है। यह इस बात से प्रेरणा लेता है कि क्वांटम कण कैसे व्यवहार करते हैं—विशेष रूप से, इस विचार से कि कण एक ही समय में कई स्थानों पर मौजूद हो सकते हैं और बेहतर स्थानों तक पहुँचने के लिए दीवारों के "पार निकल" (tunnel) सकते हैं।

पेपर का दावा है कि QUASAR अन्य दो प्रसिद्ध एल्गोरिदम (DE और L-SHADE) को हराने के लिए तीन मुख्य तरकीबों का उपयोग करता है:

1. "स्पूकी" टीमवर्क (उत्परिवर्तन/Mutation)

कल्पना कीजिए कि आपके खोजकर्ताओं की टीम तीन समूहों में विभाजित है, और वे एक सिक्के के उछाल (संभावना) के आधार पर तय करते हैं कि कौन क्या करेगा:

"स्पूकी-बेस्ट" समूह (एक्सप्लॉइटेशन/Exploitation): ये खोजकर्ता अब तक मिले सबसे अच्छे कैंपसाइट के करीब रहते हैं। वे बहुत सावधानी से छोटे-छोटे बदलाव करते हैं ताकि यह देख सकें कि क्या वे आग को थोड़ा और गर्म कर सकते हैं। वे "परफेक्शनिस्ट" (पूर्णतावादी) हैं।
"स्पूकी-करेंट" और "स्पूकी-रैंडम" समूह (एक्सप्लोरेशन/Exploration): ये खोजकर्ता साहसी हैं। वे वर्तमान सबसे अच्छे स्थान से बहुत दूर जाकर पूरी तरह से नए, अनछुए हिस्सों की जांच करते हैं। वे "जोखिम लेने वाले" हैं।
जादू: एल्गोरिदम लगातार इन समूहों के बीच स्विच करता रहता है। यह केवल एक रणनीति पर टिका नहीं रहता; यह सावधानी बरतने और साहसी होने के बीच गतिशील रूप से संतुलन बनाता है।

2. "वीआईपी" मिश्रण (क्रॉसओवर/Crossover)

जब खोजकर्ता अपनी खोज साझा करते हैं, तो एल्गोरिदम उनकी खोज की गुणवत्ता के आधार पर उनके साथ अलग-अलग व्यवहार करता है।

यदि किसी खोजकर्ता ने एक शानदार जगह ढूंढी है, तो वह अपने विचारों को नए "स्पूकी" विचारों के साथ बहुत बार मिला पाएगा।
यदि किसी खोजकर्ता ने एक खराब जगह ढूंढी है, तो वह कम बार मिश्रण करेगा।
उदाहरण: इसे एक रेसिपी प्रतियोगिता की तरह समझें। जज (एल्गोरिदम) उन शेफ को, जिनके व्यंजन सबसे अच्छे हैं, अपने गुप्त अवयवों (ingredients) को नए विचारों के साथ अधिक बार मिलाने देते हैं, जबकि खराब व्यंजन बनाने वाले शेफ को बदलने के कम अवसर मिलते हैं। यह सुनिश्चित करता है कि "सबसे अच्छे विचार" तेजी से फैलें।

3. "टेलीपोर्टेशन" रीसेट (Asymptotic Reinitialization)

यह पेपर का सबसे बड़ा नवाचार है। कल्पना कीजिए कि आपके 33% खोजकर्ता एक दलदल (सबसे खराब प्रदर्शन करने वाले समाधान) में फंस गए हैं। उन्हें सिर्फ "और मेहनत करने" के लिए कहने के बजाय, QUASAR उन्हें एक विशेष टेलीपोर्टेशन डिवाइस देता है।

यह कैसे काम करता है: एल्गोरिदम देखता है कि शीर्ष 25% खोजकर्ता कहाँ खड़े हैं। यह उस अच्छे क्षेत्र का एक "मानचित्र" (कोवेरिएंस मैट्रिक्स) बनाता है।
टेलीपोर्ट: यह फंसे हुए खोजकर्ताओं को तुरंत उस अच्छे क्षेत्र के पास किसी यादृच्छिक (random) स्थान पर भेज देता है, बजाय इसके कि उन्हें दलदल में ही छोड़ दिया जाए।
ट्विस्ट: खोज की शुरुआत में, यह टेलीपोर्टेशन बहुत बार होता है क्योंकि खोजकर्ता खोए हुए होते हैं। जैसे-जैसे खोज आगे बढ़ती है और टीम अधिक स्मार्ट होती जाती है, टेलीपोर्टेशन कम होता जाता है, जिससे टीम को मिले सबसे अच्छे स्थान को बारीकी से सुधारने (fine-tuning) पर ध्यान केंद्रित करने में मदद मिलती है।

परिणाम: क्या यह काम आया?

लेखक ने दो अन्य प्रसिद्ध एल्गोरिदम (DE और L-SHADE) के खिलाफ 29 बहुत कठिन गणितीय पहेलियों (CEC2017 बेंचमार्क) का उपयोग करके QUASAR का परीक्षण किया।

बेहतर गुणवत्ता: QUASAR ने काफी बेहतर समाधान खोजे। औसतन, इसके द्वारा खोजे गए समाधान मानक DE की तुलना में 3.85 गुना बेहतर और L-SHADE की तुलना में 2.07 गुना बेहतर थे।
तेज गति: QUASAR तेज भी था। इसने कार्यों को DE की तुलना में 1.4 गुना तेजी से और L-SHADE की तुलना में भारी अंतर से 5.16 गुना तेजी से पूरा किया।
उपयोग में आसान: पेपर का दावा है कि आपको इसे उपयोग करने के लिए गणित का जादूगर होने की आवश्यकता नहीं है। यह अपने डिफ़ॉल्ट सेटिंग्स के साथ अच्छी तरह से काम करता है, इसलिए आपको इसके बटनों और डायल को ट्यून करने में घंटों बिताने की आवश्यकता नहीं है।

निष्कर्ष

पेपर निष्कर्ष निकालता है कि QUASAR अत्यंत जटिल समस्याओं को हल करने के लिए एक शक्तिशाली, कुशल और उपयोग में आसान उपकरण है, जहाँ आपको एक विशाल और भ्रमित करने वाले खोज क्षेत्र में "सर्वश्रेष्ठ" उत्तर खोजना होता है। यह सावधानीपूर्वक पूर्णतावाद, जंगली अन्वेषण और फंसे हुए खोजकर्ताओं के लिए एक स्मार्ट "टेलीपोर्टेशन" रीसेट को मिलाकर ऐसा करता है।

नोट: पेपर पूरी तरह से गणितीय अनुकूलन (mathematical optimization) समस्याओं पर केंद्रित है (जैसे किसी फॉर्मूला के लिए सर्वोत्तम संख्या खोजना)। यह दावा नहीं करता है कि यह चिकित्सा समस्याओं को हल कर सकता है, शेयर बाजार की भविष्यवाणी कर सकता है, या बीमारियों का इलाज कर सकता है, हालांकि लेखक उल्लेख करते हैं कि इन क्षेत्रों में ऐसे गणित का उपयोग किया जाता है।

तकनीकी सारांश: QUASAR – उच्च-आयामी अनुकूलन के लिए एक विकासवादी एल्गोरिदम

समस्या विवरण
उच्च-आयामी संख्यात्मक अनुकूलन (numerical optimization), विशेष रूप से मशीन लर्निंग, इंजीनियरिंग और वित्त जैसे क्षेत्रों में, कम्प्यूटेशनल विज्ञान के भीतर एक निरंतर चुनौती बना हुआ है। प्राथमिक बाधा "आयामीता का अभिशाप" (curse of dimensionality) है, जहाँ खोज स्थान (search space) का घातीय विकास पारंपरिक ग्रेडिएंट-आधारित और पैरामीट्रिक खोज विधियों को अप्रभावी बना देता है। जबकि मेटाहेयुरिस्टिक्स (metaheuristics), विशेष रूप से डिफरेंशियल इवोल्यूशन (DE), ने स्वयं को एक मजबूत ऑप्टिमाइज़र के रूप में स्थापित किया है, मानक DE वेरिएंट अक्सर उच्च-आयामी स्थानों में प्रभावी वैश्विक अन्वेषण (global exploration) और स्थानीय शोषण (local exploitation) के बीच संतुलन बनाए रखने में संघर्ष करते हैं। यह अक्सर ठहराव या समयपूर्व अभिसरण (premature convergence) की ओर ले जाता है, जिसके लिए बार-बार रीस्टार्ट या व्यापक हाइपरपैरामीटर ट्यूनिंग की आवश्यकता होती है, जो उनकी व्यावहारिक उपयोगिता को सीमित करता है।

कार्यप्रणाली: QUASAR एल्गोरिदम
इन सीमाओं को संबोधित करने के लिए, यह शोध पत्र Quasi-Adaptive Search with Asymptotic Reinitialization (QUASAR) को प्रस्तुत करता है। वैचारिक रूप से, स्टेलर कोर (stellar cores) में स्थिरता की संभाव्यता खोज और क्वांटम कणों के व्यवहार से प्रेरित, QUASAR तीन अत्यधिक स्टोकेस्टिक तंत्रों के माध्यम से DE ढांचे का विस्तार करता है जो गतिशील रूप से अन्वेषण और शोषण को संतुलित करने के लिए डिज़ाइन किए गए हैं:

संभाव्यता आधारित उत्परिवर्तन रणनीतियाँ (Probabilistic Mutation Strategies):
एक निश्चित उत्परिवर्तन रणनीति के बजाय, QUASAR एक "पुश-एंड-पुल" दृष्टिकोण का उपयोग करता है जो एक "एंटैंगलमेंट रेट" (डिफ़ॉल्ट 0.33) के आधार पर तीन अलग-अलग रणनीतियों को गतिशील रूप से चुनता है:
- Spooky-Best (स्थानीय/शोषण): यह DE/best/1 के समान है, यह वर्तमान सर्वोत्तम समाधान ( $X_{best}$ ) के आसपास के तत्काल खोज स्थान का शोषण करता है, जिसमें एक नॉर्मल डिस्ट्रीब्यूशन $N(0, 0.33^2)$ से लिया गया म्यूटेशन फैक्टर का उपयोग किया जाता है।
- Spooky-Current और Spooky-Random (वैश्विक/अन्वेषण): ये रणनीतियाँ गैर-स्थानीय अन्वेषण को संचालित करती हैं। ये बड़े जंप को प्रोत्साहित करने के लिए एक बाइमॉडल वितरण (bimodal distribution), $N(0.5, 0.25^2) + N(-0.5, 0.25^2)$ का उपयोग करती हैं। उल्लेखनीय रूप से, Spooky-Random रणनीति अपने फॉर्मूलेशन में एक ही रैंडम वेक्टर का दो बार उपयोग करती है।
रैंक-आधारित क्रॉसओवर (Rank-Based Crossover):
QUASAR एक गतिशील बाइनोमियल क्रॉसओवर दर ( $CR_i$ ) का उपयोग करता है जो समाधान के फिटनेस रैंक के व्युत्क्रमानुपाती (inversely proportional) है। सर्वोत्तम समाधानों (रैंक 0) को उच्च क्रॉसओवर दर आवंटित की जाती है (0.33 के न्यूनतम स्तर तक सीमित), जिससे उन्हें म्यूटेंट वेक्टर्स के घटकों को तेजी से पुनर्संयोजित करने की अनुमति मिलती है। यह सुनिश्चित करता है कि उच्च-गुणवत्ता वाले समाधान लाभकारी गुणों को विरासत में प्राप्त करें जबकि विविधता बनी रहे।
एसिम्प्टोटिक कोवेरिएंस रीइनिशियलाइजेशन (Asymptotic Covariance Reinitialization):
QUASAR का एक प्राथमिक नवाचार इसका रीइनिशियलाइजेशन तंत्र है। शुरुआती पीढ़ियों में, जनसंख्या के सबसे खराब प्रदर्शन करने वाले 33% हिस्से को पुन: आरंभ (reinitialize) किया जाता है। पीढ़ियों के बढ़ने के साथ इस घटना की संभावना 0.33 के लक्ष्य की ओर एसिम्प्टोटिक रूप से घटती जाती है।
- तंत्र: नए समाधानों को जनसंख्या के शीर्ष 25% के माध्य ( $\mu$ ) और कोवेरिएंस मैट्रिक्स ( $\Sigma$ ) द्वारा परिभाषित मल्टीवेरिएट नॉर्मल डिस्ट्रीब्यूशन से सैंपल किया जाता है।
- नॉइज़ (Noise): अन्वेषण को और अधिक बढ़ावा देने के लिए सैंपलड डिस्ट्रीब्यूशन में एक नॉइज़ वेक्टर जोड़ा जाता है।
- प्रतिबंध: सिंगुलर कोवेरिएंस मैट्रिक्स को रोकने के लिए, यदि जनसंख्या का आकार ( $N$ ) आयाम ( $D$ ) से कम है, तो इस तंत्र को बायपास कर दिया जाता है।

प्रायोगिक डिजाइन
QUASAR की प्रभावकारिता का मूल्यांकन पूर्ण CEC2017 बेंचमार्क सूट के 29 टेस्ट फंक्शन्स का उपयोग करके मानक DE (SciPy कार्यान्वयन) और अत्याधुनिक L-SHAVE (MealPy कार्यान्वयन) के विरुद्ध कड़ाई से किया गया।

पैरामीटर्स: निष्पक्ष तुलना सुनिश्चित करने के लिए सभी एल्गोरिदम के लिए डिफ़ॉल्ट हाइपरपैरामीटर का उपयोग किया गया।
वेरिएंट्स: परीक्षण विभिन्न आयामों ( $D \in [10, 30, 50, 100]$ ) के लिए एक निश्चित जनसंख्या आकार ( $N=1000$ ) के साथ, और विभिन्न जनसंख्या आकारों ( $N \in [100, 5000]$ ) के लिए एक निश्चित आयाम ( $D=100$ ) के साथ किए गए।
मेट्रिक्स: प्रदर्शन को फ्राइडमैन रैंक सम (Friedman rank sums), ज्यामितिक माध्य त्रुटि न्यूनीकरण कारक ( $R_{error}$ ), और अनुकूलन रन टाइम अनुपात ( $R_{time}$ ) का उपयोग करके मापा गया। सांख्यिकीय महत्व को विल्कोक्सन साइन्ड-रैंक टेस्ट का उपयोग करके सत्यापित किया गया।

प्रमुख परिणाम
QUASAR ने दोनों DE (SciPy) और L-SHADE (MealPy) की तुलना में सभी मेट्रिक्स पर श्रेष्ठ प्रदर्शन किया:

कुल रैंकिंग: फ्राइडमैन टेस्ट का उपयोग करते हुए, QUASAR ने सबसे कम समग्र रैंक सम (367) प्राप्त किया, जो L-SHADE (452) और DE (735) से काफी बेहतर रहा।
समाधान की गुणवत्ता: ज्यामितिक माध्य तुलनाओं से पता चला कि QUASAR ने DE की तुलना में औसतन 3.85× और L-SHADE की तुलना में 2.07× बेहतर अंतिम समाधान गुणवत्ता प्रदान की ( $p \ll 0.001$ )। सबसे महत्वपूर्ण लाभ उच्च आयामों (जैसे, 100D) और बड़े जनसंख्या आकारों में देखे गए।
कम्प्यूटेशनल दक्षता: QUASAR औसतन DE से 1.40× और L-SHADE से 5.16× तेज़ था। एल्गोरिदम आयाम के साथ रैखिक रूप से स्केल हुआ, जिससे समस्या की जटिलता बढ़ने पर भी दक्षता बनी रही।
मजबूती (Robustness): एल्गोरिदम ने अपने डिफ़ॉल्ट मापदंडों का उपयोग करते हुए प्रभावी ढंग से कार्य किया, जिसमें किसी भी मैनुअल हाइपरपैरामीटर ट्यूनिंग की आवश्यकता नहीं पड़ी।

महत्व और दावे
यह शोध पत्र दावा करता है कि QUASAR जटिल, उच्च-आयामी और गैर-विभेदक (non-differentiable) अनुकूलन समस्याओं के लिए एक नया मानक स्थापित करता है। इसका महत्व निम्नलिखित है:

प्रभावशीलता: यह व्यापक पैरामीटर ट्यूनिंग की आवश्यकता के बिना सांख्यिकीय रूप से महत्वपूर्ण सुधार प्राप्त करता है।
दक्षता: यह वर्तमान अत्याधुनिक तरीकों की तुलना में पर्याप्त गति प्रदान करता है, जिससे यह कम्प्यूटेशनल रूप से महंगे वास्तविक दुनिया के अनुप्रयोगों के लिए व्यवहार्य हो जाता है।
उपयोगकर्ता-अनुकूलता: डिफ़ॉल्ट मापदंडों पर निर्भरता और एक सुव्यवस्थित कार्यान्वयन (ओपन-सोर्स पायथन पैकेज, hdim_opt के रूप में उपलब्ध) इसे मौजूदा वर्कफ़्लो में निर्बाध एकीकरण की अनुमति देता है।

लेखक निष्कर्ष निकालते हैं कि QUASAR अगली पीढ़ी की उच्च-आयामी अनुकूलन चुनौतियों के लिए एक शक्तिशाली, तैयार उपकरण है, हालांकि वे उल्लेख करते हैं कि भविष्य के कार्य भारित कोवेरिएंस मैट्रिक्स (CMA-ES के समान) और बाधित (constrained) या बहु-उद्देश्यीय समस्याओं पर सत्यापन का पता लगा सकते हैं।