🤖 AI

RIS-Assisted Downlink Pinching-Antenna Systems: GNN-Enabled Optimization Approaches

यह शोध पत्र RIS-सहायता प्राप्त मल्टी-यूज़र डाउनलिंक सिस्टम में सम रेट (sum rate) और ऊर्जा दक्षता को अधिकतम करने के लिए पिंचिंग-एंटीना स्थितियों, RIS फेज शिफ्ट्स और बीमफॉर्मिंग वेक्टर्स को संयुक्त रूप से अनुकूलित करने हेतु एक नवीन तीन-चरणीय ग्राफ न्यूरल नेटवर्क (GNN) फ्रेमवर्क प्रस्तावित करता है, जो मजबूत सामान्यीकरण क्षमताओं के साथ एक वास्तविक समय का समाधान प्रदान करता है।

मूल लेखक: Changpeng He, Yang Lu, Yanqing Xu, Chong-Yung Chi, Arumugam Nallanathan

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Changpeng He, Yang Lu, Yanqing Xu, Chong-Yung Chi, Arumugam Nallanathan

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

एक ऐसे भविष्य की कल्पना करें जहाँ आपके फोन का इंटरनेट कनेक्शन केवल एक टावर से सिग्नल भेजने के बारे में नहीं है; बल्कि यह एक आदर्श रास्ता खोजने के लिए वातावरण के साथ नृत्य (dance) करने के बारे में है। यह वह दुनिया है जिसे यह शोध पत्र तलाशता है, जो दो उच्च-तकनीकी गैजेट्स को मिलाता है: पिंचिंग-एंटीना सिस्टम (PASS) और पुनर्गठनीय बुद्धिमान सतह (RIS)।

एक मानक वाई-फाई राउटर को एक लाइटहाउस की तरह समझें जिसकी बीम स्थिर है। यह हर जगह रोशनी फैलाता है, लेकिन यह धुंधले पैच या किसी ऊंची इमारत से बचने के लिए अपनी दिशा नहीं बदल सकता। अब, कल्पना करें कि यदि वह लाइटहाउस अपने प्रकाश को आपके करीब लाने के लिए एक रेल पर खिसका (slide) सके, और यदि कमरे की दीवारें बाधाओं के चारों ओर रोशनी को उछालने के लिए अपने दर्पणों को जादुई रूप से झुका सकें। PASS और RIS मिलकर यही करते हैं।

समस्या: विकल्पों का एक उलझा हुआ जाल
लेखकों ने यह देखना चाहा कि ये दोनों तकनीकें एक साथ मिलकर एक ही समय में कई लोगों को डेटा भेजने में कितनी अच्छी तरह काम करती हैं। लेकिन यहाँ एक पेंच है: इस सेटअप को एकदम सटीक बनाना एक कंप्यूटर के लिए किसी बुरे सपने जैसा है। यह एक रूबिक क्यूब (Rubik's Cube) को हल करने जैसा है जहाँ हर एक वर्ग का रंग अलग है, और आपको एक ही समय में क्यूब के आंतरिक गियर को घुमाना है, दीवारों पर लगे दर्पणों को झुकाना है, और बीम को निशाना बनाना है।

पारंपरिक तरीके इस समस्या को छोटे, धीमे कदमों के साथ हल करने की कोशिश करते हैं, एक बार में एक चीज़ की जाँच करते हैं, फिर दूसरी की, और फिर वापस जाकर पहली चीज़ की फिर से जाँच करते हैं। यह शोध पत्र तर्क देता है कि यह "पुराना तरीका" वास्तविक समय (real-time) के उपयोग के लिए बहुत धीमा और बहुत जटिल है। यह एक व्यस्त शहर में हर सेकंड कागज़ का नक्शा देखकर रास्ता खोजने जैसा है; जब तक आप रास्ता तय कर लेते हैं, तब तक ट्रैफिक बदल चुका होता है।

समाधान: एक तीन-चरणीय "स्मार्ट ब्रेन"
इसे ठीक करने के लिए, शोधकर्ताओं ने एक नए प्रकार का आर्टिफिशियल इंटेलिजेंस बनाया जिसे ग्राफ न्यूरल नेटवर्क (GNN) कहा जाता है। इस समस्या को एक विशाल गणितीय समीकरण के रूप में देखने के बजाय, उन्होंने इसे एक सोशल नेटवर्क की तरह माना जहाँ प्रत्येक उपयोगकर्ता, एंटीना और दर्पण एक-दूसरे से बात करने वाला एक "दोस्त" है।

उन्होंने एक तीन-चरणीय मस्तिष्क (three-stage brain) डिज़ाइन किया जो एक जटिल भोजन तैयार करने वाले शेफ की तरह एक विशिष्ट क्रम में पहेली को हल करना सीखता है:

चरण 1: द मूवर (PAGNN - द मूवर)। सबसे पहले, AI देखता है कि उपयोगकर्ता कहाँ खड़े हैं। उसके आधार पर, यह तय करता है कि चलने वाले एंटीना को उनकी रेल के साथ ठीक कहाँ खिसकाना है। यह एक स्मार्ट वेटर की तरह है जो तुरंत जानता है कि बिना किसी से टकराए टेबल की सेवा करने के लिए उसे कहाँ खड़ा होना चाहिए। शोध पत्र दिखाता है कि यह चरण गारंटी देता है कि एंटीना अपने निर्धारित ट्रैक के भीतर रहें और एक-दूसरे पर भीड़ न करें।
चरण 2: द मिरर-टिल्टर (RISGNN - द मिरर-टिल्टर)। एक बार जब एंटीना अपनी जगह पर आ जाते हैं, तो AI दीवार पर लगे "दर्पणों" (RIS) को कोण देने का तरीका निकालता है। यह गणना करता है कि बाधाओं के चारों ओर घूमकर सीधे उपयोगकर्ताओं तक सिग्नल को उछालने के लिए सही कोण क्या होगा।
चरण 3: द बीम-सेटर (BeamGNN - द बीम-सेटर)। अंत में, यह सिग्नल बीम की शक्ति और दिशा को समायोजित करता है ताकि यह सुनिश्चित हो सके कि हर किसी को डेटा का उचित हिस्सा मिले और वे एक-दूसरे के साथ हस्तक्षेप (interference) न करें।

हम कितने आश्वस्त हैं? (सिमुलेशन परिणाम)
लेखकों ने केवल अनुमान नहीं लगाया; उन्होंने अपने विचार का परीक्षण करने के लिए व्यापक कंप्यूटर सिमुलेशन चलाए। उन्होंने अभी तक वास्तविक एंटीना और दर्पणों के साथ भौतिक लैब नहीं बनाई है, लेकिन उनके डिजिटल परीक्षण बहुत विस्तृत थे।

गति (Speed): सबसे बड़ी जीत गति है। उनका AI मस्तिष्क एक निर्णय 2 मिलीसेकंड से भी कम समय में (यानी 0.002 सेकंड!) ले सकता है। इसके विपरीत, पुराने "धीमे-कदम" वाले गणितीय तरीकों को उसी समस्या को हल करने में हजारों मिलीसेकंड (सेकंडों में) लग गए। शोध पत्र सुझाव देता है कि यह उन्हें वास्तविक समय के उपयोग के लिए तैयार बनाता है, जबकि पुराना तरीका तेज़ गति वाले नेटवर्क के लिए बहुत सुस्त है।
प्रदर्शन (Performance): अपने सिमुलेशन में, उनका सिस्टम (जिसे RIS+PA कहा गया है) उन सिस्टमों की तुलना में काफी बेहतर था जो या तो केवल चलने वाले एंटीना का उपयोग करते थे या केवल स्थिर एंटीना का। विशेष रूप से, इसने केवल चलने वाले एंटीना के उपयोग की तुलना में ऊर्जा दक्षता में लगभग 12.7% से 17.0% का सुधार किया, और स्थिर एंटीना की तुलना में और भी अधिक सुधार दिखाया।
लचीलापन (Flexibility): एक सबसे शानदार विशेषता यह है कि उपयोगकर्ताओं की संख्या बढ़ाने पर AI को फिर से प्रशिक्षित करने की आवश्यकता नहीं होती है। यदि आप 4 उपयोगकर्ताओं से 6 उपयोगकर्ताओं पर जाते हैं, तो वही मस्तिष्क बस खुद को ढाल लेता है। शोध पत्र दिखाता है कि यह बदलावों को 0.3% से भी कम प्रदर्शन गिरावट के साथ संभाल लेता है, जो साबित करता है कि यह सामान्यीकरण (generalizing) में बहुत अच्छा है।

उन्होंने किसे खारिज कर दिया
शोध पत्र बहुत स्पष्ट है कि क्या चीज़ अच्छी तरह से काम नहीं करती है। वे स्पष्ट रूप से मानक, सिंगल-लेयर न्यूरल नेटवर्क (जैसे बुनियादी MLPs) के उपयोग के खिलाफ तर्क देते हैं। उनके परीक्षणों ने दिखाया कि ये सरल नेटवर्क उपयोगकर्ताओं और एंटीना के बीच के जटिल संबंधों को समझने में विफल रहे। जब उन्होंने इनका परीक्षण किया, तो सरल नेटवर्क का प्रदर्शन (ऊर्जा दक्षता में लगभग 18% से 20% कम) बहुत खराब रहा और वे बिना फिर से प्रशिक्षित किए उपयोगकर्ताओं की नई संख्या को नहीं संभाल सके।

निष्कर्ष
लेखक निष्कर्ष निकालते हैं कि हालांकि उन्होंने अभी तक कोई भौतिक प्रोटोटाइप नहीं बनाया है, लेकिन उनके सिमुलेशन दृढ़ता से संकेत देते हैं कि यह तीन-चरणीय AI दृष्टिकोण इन जटिल, चलते-फिरते एंटीना सिस्टम को प्रबंधित करने का पहला व्यावहारिक तरीका है। यह एक बेहतरीन संतुलन प्रदान करता है: यह अविश्वसनीय रूप से तेज़ है (रियल-टाइम), यह बदलने वाली उपयोगकर्ताओं की संख्या को संभालने के लिए पर्याप्त स्मार्ट है, और यह वर्तमान तरीकों की तुलना में बहुत अधिक प्रदर्शन निकालता है।

संक्षेप में, उन्होंने दिखाया है कि यदि आप भविष्य के सुपर-फास्ट, ऊर्जा-कुशल नेटवर्क बनाना चाहते हैं, तो आपको एक ऐसे मस्तिष्क की आवश्यकता है जो रोशनी को हिला सके, दर्पणों को झुका सके और बीम को एक साथ निशाना बना सके—और उन्होंने उसका एक डिजिटल संस्करण बनाया है जो लैब में खूबसूरती से काम करता है।

तकनीकी सारांश: RIS-सहायता प्राप्त डाउनलिंक पिंचिंग-एंटीना सिस्टम: GNN-सक्षम अनुकूलन दृष्टिकोण

समस्या विवरण
यह शोध पत्र एक नवीन डाउनलिंक संचार प्रणाली में संयुक्त अनुकूलन चुनौती को संबोधित करता है जो रीकॉन्फ़िगेरेबल इंटेलिजेंट सरफेस (RIS) और पिंचिंग-एंटीना सिस्टम (PASS) को एकीकृत करती है। इस सेटअप में, एक बेस स्टेशन जो $N$ समानांतर वेवगाइड्स से सुसज्जित है, $K$ सिंगल-एंटीना उपयोगकर्ताओं को सेवा प्रदान करता है। प्रत्येक वेवगाइड में $M$ गतिशील पिंचिंग एंटेना (PAs) होते हैं जो अनुकूल चैनल स्थितियों का लाभ उठाने के लिए वेवगाइड के साथ अपनी स्थिति को समायोजित कर सकते हैं, जबकि एक RIS जिसमें $L$ परावर्तक तत्व होते हैं, सिग्नल प्रसार में सहायता करता है।

मुख्य उद्देश्य सिस्टम के सम कुल दर (Sum Rate - SR) या ऊर्जा दक्षता (Energy Efficiency - EE) को अधिकतम करना है। इसके लिए तीन मजबूती से जुड़े, उच्च-आयामी निर्णय चरों (decision variables) का संयुक्त अनुकूलन आवश्यक है:

PA स्थितियाँ: वेवगाइड्स के साथ गतिशील एंटेना के भौतिक स्थान।
RIS फेज शिफ्ट: RIS तत्वों के परावर्तन गुणांक।
ट्रांसमिट बीमफॉर्मिंग वेक्टर्स: बेसबैंड प्रीकोडिंग भार।

समस्या कुल ट्रांसमिट पावर बजट, एक ही वेवगाइड पर आसन्न PAs के बीच न्यूनतम रिक्ति आवश्यकताओं और RIS फेज शिफ्ट के यूनिट-मॉड्यूलस (unit-modulus) प्रतिबंध द्वारा बाधित है। पारंपरिक अनुकूलन विधियाँ, जैसे कि अल्टरनेटिंग ऑप्टिमाइज़ेशन (AO) और सक्सेसिव कॉनवेक्स एप्रोक्सिमेशन (SCA), इस समस्या के कारण संघर्ष करती हैं क्योंकि इनमें अत्यधिक कम्प्यूटेशनल जटिलता होती है जो सिस्टम के आकार के साथ खराब तरीके से स्केल करती है और समस्या को विभाजित करने पर पूर्ण संयुक्त अनुकूलन लाभों को पूरी तरह से संरक्षित करने में असमर्थ होती है। इसके अलावा, मल्टी-लेयर पर्सेप्ट्रॉन (MLPs) का उपयोग करने वाले मौजूदा डीप लर्निंग (DL) दृष्टिकोण अक्सर बदलते नेटवर्क आकारों के साथ सामान्यीकरण करने में विफल रहते हैं और वायरलेस नेटवर्क की ग्राफ-स्ट्रक्चर्ड टोपोलॉजी को प्रभावी ढंग से कैप्चर नहीं कर पाते हैं।

कार्यप्रणाली
इन सीमाओं को दूर करने के लिए, लेखक एक नवीन तीन-चरणीय ग्राफ न्यूरल नेटवर्क (GNN) फ्रेमवर्क प्रस्तावित करते हैं जिसे अनसुपरवाइज्ड (unsupervised) तरीके से प्रशिक्षित किया गया है। सिस्टम को एक पूर्णतः जुड़े हुए निर्देशित ग्राफ (fully connected directed graph) के रूप में मॉडल किया गया है जहाँ नोड्स उपयोगकर्ताओं का प्रतिनिधित्व करते हैं और किनारे (edges) अंतर-उपयोगकर्ता संबंधों को कैप्चर करते हैं।

प्रस्तावित GNN आर्किटेक्चर में तीन क्रमिक, परस्पर निर्भर उप-मॉडल शामिल हैं:

चरण 1 (PAGNN): उपयोगकर्ता स्थानों को इष्टतम PA स्थितियों में मैप करता है। यह कॉम्प्लेक्स ग्राफ कन्वोल्यूशन लेयर्स (CGCL) और एक व्यवहार्यता-गारंटीड मॉड्यूल का उपयोग करता है। यह मॉड्यूल यह सुनिश्चित करने के लिए सिग्मॉइड एक्टिवेशन और न्यूमेरिकल स्केलिंग का उपयोग करता है कि सीखे गए स्थान न्यूनतम रिक्ति और सीमा संबंधी बाधाओं को पूरा करते हैं।
चरण 2 (RISGNN): प्रभावी चैनलों (जो चरण 1 से PA स्थितियों और एक प्रारंभिक फेज शिफ्ट का उपयोग करके गणना किए जाते हैं) को इनपुट के रूप में लेता है और RIS फेज शिफ्ट मैट्रिक्स को आउटपुट करता है। यह यूनिट-मॉड्यूलस प्रतिबंध को पूरा करने के लिए CGCL और एक नॉर्मलाइजेशन मैकेनिज्म का भी उपयोग करता है।
चरण 3 (BeamGNN): अनुकूलित PA स्थितियों और RIS चरणों के आधार पर ट्रांसमिट बीमफॉर्मिंग वेक्टर्स को डिजाइन करता है। आउटपुट डाइमेंशनलिटी को कम करने और प्रशिक्षण दक्षता में सुधार करने के लिए, यह एक हाइब्रिड ज़ीरो-फोर्सिंग और मैक्सिमम रेशियो ट्रांसमिशन (HZM) लर्निंग दृष्टिकोण का उपयोग करता है। यह बीमफॉर्मिंग वेक्टर्स को पावर एलोकेशन और दिशा वेक्टर्स में विभाजित करता है, जो कॉम्प्लेक्स ग्राफ अटेंशन लेयर्स (CGAL) और कॉम्प्लेक्स फुली-कनेक्टेड लेयर्स (CFL) के माध्यम से समानांतर शाखाओं का उपयोग करके हाइब्रिड कोएफिशिएंट्स और पावर वैल्यूज को सीखता है। एक अनुकूलित नॉर्मलाइजेशन एक्टिवेशन यह सुनिश्चित करता है कि कुल पावर प्रतिबंध संतुष्ट हो।

फ्रेमवर्क इन्फरेंस समय और समाधान इष्टतमता के बीच संतुलन बनाने के लिए तीन कार्यान्वयन रणनीतियों का समर्थन करता है:

रणनीति I (पूर्णतः लर्निंग-आधारित): संपूर्ण तीन-चरणीय GNN सीधे पूर्ण समाधान सेट आउटपुट करता है।
रणनीति II (हाइब्रिड लर्निंग-ऑप्टिमाइज़ेशन): GNN PA स्थितियों और RIS चरणों (चरण 1 और 2) को सीखता है, जबकि एक SCA-आधारित एल्गोरिदम सीखे गए मापदंडों का उपयोग करके बीमफॉर्मिंग वेक्टर्स को अनुकूलित करता है।
रणनीति III (मॉडल-आधारित हाइब्रिड): GNN को दो चरणों (PA और RIS अनुकूलन) में सरल बनाया गया है, जबकि बीमफॉर्मिंग को एक क्लोज्ड-फॉर्म अभिव्यक्ति के माध्यम से प्राप्त किया जाता है और SCA द्वारा परिष्कृत किया जाता है।

प्रमुख योगदान

एकीकृत फ्रेमवर्क: यह शोध पत्र एक RIS-सहायता प्राप्त मल्टी-वेवगाइड PASS के लिए SR और EE मैक्सिमाइजेशन समस्याओं को सूत्रबद्ध करता है, जो PA स्थितियों, RIS चरणों और बीमफॉर्मिंग को संयुक्त रूप से अनुकूलित करता है।
नवीन तीन-चरणीय GNN: लेखकों ने इस विशिष्ट एकीकृत सिस्टम के लिए पहला प्रभावी GNN-आधारित समाधान प्रस्तावित किया है। आर्किटेक्चर स्पष्ट रूप से वायरलेस सिस्टम को एक ग्राफ के रूप में मॉडल करता है, जो ट्रांसमिशन रणनीतियों के लिए अंतर-उपयोगकर्ता इंटरैक्शन को कैप्चर करने के साथ-साथ PA और RIS मापदंडों को कॉन्फ़िगर करने के लिए उपयोगकर्ता स्थितियों का लाभ उठाता है।
बाधा संतुष्टि (Constraint Satisfaction): डिज़ाइन यह गारंटी देने के लिए विशिष्ट तंत्रों (सिग्मॉइड एक्टिवेशन, न्यूमेरिकल स्केलिंग और अनुकूलित नॉर्मलाइजेशन) को शामिल करता है कि सीखे गए सभी समाधान पोस्ट-प्रोसेसिंग के बिना सभी भौतिक और सिस्टम बाधाओं को सख्ती से पूरा करते हैं।
कार्यान्वयन रणनीतियाँ: यह पेपर तीन अलग-अलग रणनीतियों को पेश करता है जो कम्प्यूटेशनल दक्षता और समाधान इष्टतमता के बीच ट्रेड-ऑफ प्रदान करती हैं, जो जहाँ उपयुक्त हो वहाँ पारंपरिक कॉनवेक्स ऑप्टिमाइज़ेशन विधियों के साथ GNN को एकीकृत करती हैं।
सामान्यीकरण क्षमता: मॉडल को परम्यूटेशन-इक्विवैरिएंट (permutation-equivariant) गुणों के साथ डिज़ाइन किया गया है, जो इसे बिना रिट्रेनिंग के अनदेखे समस्या आकारों (विभिन्न उपयोगकर्ताओं की संख्या) के लिए सामान्यीकरण करने की अनुमति देता है, जो कि एक महत्वपूर्ण विशेषता है।

संख्यात्मक परिणाम
व्यापक सिमुलेशन प्रस्तावित दृष्टिकोण को मान्य करते हैं:

प्रदर्शन: RIS-सहायता प्राप्त PASS सिस्टम केवल PAs या फिक्स्ड-पोजीशन एंटेना वाले सिस्टम की तुलना में काफी बेहतर प्रदर्शन करता है। विशेष रूप से, PA-केवल सिस्टम की तुलना में RIS+PA कॉन्फ़िगरेशन 12.7%–17.0% अधिक EE और 21.0%–38.3% अधिक SR प्राप्त करता है।
रणनीति तुलना: रणनीति II (हाइब्रिड लर्निंग-ऑप्टिमाइज़ेशन) आमतौर पर सर्वोत्तम प्रदर्शन देती है क्योंकि यह संरचनात्मक मापदंडों के लिए GNN की क्षमता को बीमफॉर्मिंग के लिए SCA की सटीकता के साथ जोड़ती है। रणनीति I केवल मामूली प्रदर्शन हानि के साथ सबसे तेज़ इन्फरेंस गति प्रदान करती है।
सामान्यीकरण: GNN विभिन्न उपयोगकर्ताओं की संख्या ( $K$ ) के लिए मजबूत सामान्यीकरण प्रदर्शित करता है, ओवरलैपिंग कॉन्फ़िगरेशन के प्रति 0.3% से कम संवेदनशीलता के साथ प्रदर्शन बनाए रखता है, जबकि MLP बेसलाइन अनदेखे उपयोगकर्ता काउंट के लिए सामान्यीकरण करने में विफल रहते हैं।
दक्षता: लर्निंग-आधारित दृष्टिकोण CVX-आधारित SCA सॉल्वर की तुलना में तीन क्रम (orders of magnitude) की गति वृद्धि प्राप्त करते हैं। बड़े पैमाने के परिदृश्यों के लिए भी GNN इन्फरेंस समय 2 मिलीसेकंड से कम रहता है, जो वास्तविक समय की प्रयोज्यता को सक्षम बनाता है।
पैरामीटर प्रभाव: परिणाम संकेत देते हैं कि वेवगाइड्स, PAs और RIS तत्वों की संख्या में वृद्धि आम तौर पर प्रदर्शन में सुधार करती है, हालांकि बड़े RIS आकारों के साथ लाभ संतृप्त (saturate) हो जाते हैं। गतिशील PAs के लाभ गंभीर पाथ लॉस (path loss) वाले परिदृश्यों में विशेष रूप से स्पष्ट हैं।

महत्व और दावे
यह शोध पत्र दावा करता है कि प्रस्तावित तीन-चरणीय GNN RIS-सहायता प्राप्त PASS सिस्टम के संयुक्त अनुकूलन के लिए पहला व्यावहारिक और प्रभावी समाधान है, जो एक ऐसा परिदृश्य है जिसे पहले ओपन लिटरेचर में संबोधित नहीं किया गया था। इस कार्य का महत्व रियल-टाइम इन्फरेंस स्पीड (मिलीसेकंड-स्तर) के साथ उच्च समाधान गुणवत्ता और परिवर्तनशील नेटवर्क कॉन्फ़िगरेशन के लिए व्यवहार्य सामान्यीकरण बनाए रखते हुए जटिल, उच्च-आयामी संयुक्त अनुकूलन समस्या को संभालने की इसकी क्षमता में निहित है। उभरती हुई PASS तकनीक को RIS के साथ सफलतापूर्वक एकीकृत करके, यह अध्ययन भविष्य के 6G वायरलेस नेटवर्क के लिए ट्रांसमिशन क्षमता और ऊर्जा दक्षता को महत्वपूर्ण रूप से अपग्रेड करने के मार्ग को प्रदर्शित करता है, जो उन परिवर्तनशील वातावरणों के लिए एक लचीला और विश्वसनीय डिज़ाइन फ्रेमवर्क प्रदान करता है जहाँ पारंपरिक पुनरावृत्ति (iterative) अनुकूलन विधियाँ अव्यावहारिक हैं।

इसी तरह के और पेपर