💻 computer science

A Firefly Algorithm for Mixed-Variable Optimization Based on Hybrid Distance Modeling

यह शोध पत्र एक हाइब्रिड दूरी-आधारित फायरफ्लाई एल्गोरिदम (FAmv) प्रस्तावित करता है जो निरंतर (continuous), क्रमिक (ordinal) और श्रेणीगत (categorical) चरों को एक एकीकृत आकर्षण तंत्र में एकीकृत करके मिश्रित-चर अनुकूलन समस्याओं को प्रभावी ढंग से संभालता है, जो अत्याधुनिक तरीकों की तुलना में बेंचमार्क और इंजीनियरिंग डिजाइन कार्यों पर बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Ousmane Tom Bechir, Adán José-García, Zaineb Chelly Garcia, Vincent Sobanski, Clarisse Dhaenens

प्रकाशित 2026-03-31

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ousmane Tom Bechir, Adán José-García, Zaineb Chelly Garcia, Vincent Sobanski, Clarisse Dhaenens

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 बड़ी तस्वीर: "मिश्रित" पहेली

कल्पना कीजिए कि आप एक विशाल, जटिल पहेली को हल करने की कोशिश कर रहे हैं। लेकिन यहाँ एक पेच है: पहेली के कुछ हिस्से चिकने, गोल नंबरों (जैसे तापमान या गति) की तरह हैं, जबकि अन्य अलग-अलग श्रेणियों (जैसे "लाल", "नीला", या "हरा", या विशिष्ट पूर्णांक सेटिंग्स जैसे "1", "2", या "3") की तरह हैं।

कंप्यूटर विज्ञान की दुनिया में, इसे मिश्रित-चर अनुकूलन समस्या (Mixed-Variable Optimization Problem) कहा जाता है। अधिकांश कंप्यूटर एल्गोरिदम विशिष्ट उपकरणों की तरह होते हैं: कुछ चिकने, गोल टुकड़ों (निरंतर चर/continuous variables) को हिलाने में माहिर होते हैं, और अन्य अलग-अलग ब्लॉकों (डिस्क्रीट वेरिएबल्स/discrete variables) को जोड़ने में। लेकिन बहुत कम एल्गोरिदम एक ही समय में दोनों को बिना भ्रमित हुए संभालने में सक्षम हैं।

यह पेपर एक लोकप्रिय एल्गोरिदम फायरफ्लाई एल्गोरिदम (Firefly Algorithm) का एक नया संस्करण पेश करता है, जिसे विशेष रूप से इस "मिश्रित" पहेली को संभालने के लिए डिज़ाइन किया गया है। लेखक इसे FAmv कहते हैं।

मूल फायरफ्लाई एल्गोरिदम: एक नाइटलाइट डांस

नए संस्करण को समझने के लिए, हमें पहले मूल फायरफ्लाई एल्गोरिदम को समझना होगा।

एक अंधेरे जंगल की कल्पना करें जो जुगनुओं (fireflies) से भरा है।

लक्ष्य: हर जुगनू सबसे चमकीले प्रकाश (सबसे अच्छे समाधान) को खोजना चाहता है।
नियम: जुगनू चमकदार रोशनी की ओर आकर्षित होते हैं। जुगनू जितना अधिक चमकीला होगा, वह उतना ही आकर्षक होगा।
गतिविधि: यदि कोई जुगनू पास में किसी अधिक चमकीले जुगनू को देखता है, तो वह उसकी ओर उड़ता है। यदि वह दूर है, तो आकर्षण कमजोर होता है। यदि वह करीब है, तो आकर्षण मजबूत होता है।
यादृच्छिकता (Randomness): कभी-कभी, जुगनले नए क्षेत्रों की खोज करने के लिए बस इधर-उधर बेतरतीब ढंग से मंडराते रहते हैं।

मूल एल्गोरिदम में, सभी जुगनू चिकने, निरंतर नंबरों की दुनिया में रहते हैं। वे यूक्लिडियन दूरी (Euclidean distance) का उपयोग करके दूरी मापते हैं। यदि जुगनू A (1.5, 2.3) पर है और जुगनू B (1.6, 2.4) पर है, तो दूरी की गणना करना आसान है।

समस्या: क्या होगा यदि जुगनू A ने "लाल" शर्ट पहनी है और जुगनू B ने "नीली" शर्ट पहनी है? आप एक मानक पैमाने (रूलर) से "लाल" और "नीले" के बीच की दूरी नहीं माप सकते। मूल एल्गोरिदम अटक जाता है क्योंकि उसे यह नहीं पता कि विभिन्न प्रकारों के वेरिएबल्स की तुलना कैसे की जाए।

नया समाधान: "हाइब्रिड डिस्टेंस" मॉडल

लेखकों ने महसूस किया कि उन्हें दूरी मापने के एक नए तरीके की आवश्यकता है जो चिकने नंबरों और अलग-अलग श्रेणियों दोनों के लिए काम कर सके। उन्होंने एक हाइब्रिड डिस्टेंस मॉडल का आविष्कार किया।

इसे दूरी के लिए एक यूनिवर्सल ट्रांसलेटर (सार्वभौमिक अनुवादक) की तरह समझें। केवल एक पैमाने के बजाय, एल्गोरिदम अब दो-भागों वाले मापने वाले टेप का उपयोग करता है:

रूलर वाला भाग: चिकने नंबरों के बीच के अंतर को मापता है (जैसे 5.0 और 5.5 के बीच कितनी दूरी है)।
स्विच वाला भाग: श्रेणियों के बीच के अंतर को मापता है (जैसे क्या "लाल" और "नीला" एक ही हैं? यदि नहीं, तो यह एक बड़ा अंतर है। यदि यह समान है, तो अंतर शून्य है)।

उन्होंने इन्हें मिलाने के दो तरीके परीक्षण किए:

हैमिंग दृष्टिकोण (Hamming Approach): यह इस बात को गिनने जैसा है कि कितने स्विच अलग हैं। यदि दो जुगनुओं के रंग या पूर्णांक सेटिंग्स अलग हैं, तो आप अंतर के एक "पॉइंट" को गिनते हैं।
गौअर दृष्टिकोण (Gower Approach): यह एक अधिक परिष्कृत तरीका है जो सब कुछ सामान्य (normalize) करता है। यह सुनिश्चित करता है कि एक चिकने नंबर में एक बड़ा अंतर (जैसे 1 बनाम 1000) एक श्रेणी में छोटे अंतर (जैसे "लाल" बनाम "नीला") को पूरी तरह से दबा न दे। यह स्कोर को संतुलित करता है ताकि दोनों प्रकार के वेरिएबल्स को उचित उपचार मिले।

नए जुगनू कैसे चलते हैं

नए FAmv एल्गोरिदम में, जुगनुओं का व्यक्तित्व चलते समय दो भागों में विभाजित होता है:

स्मूथ मूव (Smooth Move): निरंतर भागों (नंबरों) के लिए, वे मूल जुगनुओं की तरह ही उड़ते हैं, चमकते हुए प्रकाश की ओर सुचारू रूप से बढ़ते हैं।
डिस्क्रीट मूव (Discrete Move): श्रेणियों (रंगों, प्रकारों) के लिए, वे "सुचारू रूप से" नहीं उड़ते। इसके बजाय, वे एक संभाव्यता आधारित बदलाव (probabilistic swap) करते हैं।
- उपमा: कल्पना कीजिए कि आपने "लाल" टोपी पहनी है। आप एक अधिक चमकीले जुगनू को देखते हैं जिसने "नीली" टोपी पहनी है। एल्गोरिदम गणना करता है: "हम कितने करीब हैं?"
- यदि आप बहुत करीब हैं, तो संभावना अधिक है कि आप चमकीले जुगनू से मेल खाने के लिए तुरंत अपनी टोपी बदलकर "नीली" कर लेंगे।
- यदि आप दूर हैं, तो बदलने की संभावना कम है। आप अपनी "लाल" टोपी पहनकर रख सकते हैं और बेहतर जगह खोजने के लिए बस बेतरतीब ढंग से मंडरा सकते हैं।

यह सुनिश्चित करता है कि जुगनले पहेली के नियमों का सम्मान करें (आप "आधा-लाल" टोपी नहीं पहन सकते) जबकि वे अभी भी सर्वोत्तम समाधानों से सीख रहे हों।

"स्मार्ट" जुगनू: चलते-चलते अनुकूलन

लेखकों ने एक "स्मार्ट" फीचर भी जोड़ा है। मूल एल्गोरिदम में, जुगुओं के पास अन्वेषण (घूमने) बनाम दोहन (नेता का पीछा करने) के लिए निश्चित सेटिंग्स होती हैं।

FAmv में, जुगनले स्मार्ट खोजकर्ता की तरह हैं।

यात्रा की शुरुआत में: वे बहुत साहसी होते हैं। वे अच्छी चीज़ें कहाँ हो सकती हैं, यह खोजने के लिए दूर-दूर तक घूमते हैं (उच्च अन्वेषण/exploration)।
समाप्ति रेखा के करीब पहुँचते समय: वे अधिक केंद्रित हो जाते हैं। वे घूमना बंद कर देते हैं और सटीक परिणाम प्राप्त करने के लिए अपने स्थान को बेहतर बनाने (उच्च दोहन/exploitation) पर ध्यान केंद्रित करते हैं।

एल्गोरिदम स्वचालित रूप से इस व्यवहार को समायोजित करता है कि कितना "समय" (कंप्यूटिंग पावर) बचा है।

क्या यह काम कर गया?

लेखकों ने अपने नए एल्गोरिदम का परीक्षण दो प्रकार की चुनौतियों पर किया:

गणितीय पहेलियाँ (CEC2013): उन्होंने मानक गणितीय समस्याओं को लिया और उनमें मिश्रित वेरिएबल्स को शामिल किया। नया फायरफ्लाई एल्गोरिदम अन्य शीर्ष-स्तरीय एल्गोरिदम के खिलाफ बहुत अच्छी तरह से प्रतिस्पर्धा कर पाया, और अक्सर बेहतर समाधान खोजा।
वास्तविक इंजीनियरिंग: उन्होंने इंजीनियरिंग की चीजों को डिजाइन करने के लिए इसका परीक्षण किया, जैसे:
- एक प्रेशर वेसल (Pressure Vessel) (जहाँ मोटाई एक संख्या के विशिष्ट गुणक होनी चाहिए, लेकिन त्रिज्या कोई भी संख्या हो सकती है)।
- एक वेल्डेड बीम (Welded Beam)।
- एक कॉइल स्प्रिंग (Coil Spring)।

इन वास्तविक दुनिया के परीक्षणों में, नया फायरफ्लाई एल्गोरिदम अक्सर विजेता रहा या सर्वश्रेष्ठ के लिए बराबरी पर रहा, जिससे सिद्ध हुआ कि यह अव्यवस्थपूर्ण, वास्तविक जीवन की इंजीनियरिंग समस्याओं को संभाल सकता है।

मुख्य निष्कर्ष

यह पेपर कंप्यूटर एल्गोरिदम को बहुभाषी (multilingual) बनाने के बारे में है। जिस तरह एक इंसान को विविध शहर में नेविगेट करने के लिए अंग्रेजी और स्पेनिश दोनों बोलने की आवश्यकता होती है, उसी तरह इस नए फायरफ्लाई एल्गोरिदम ने "चिकने नंबरों" और "अलग-अलग श्रेणियों" की भाषा को एक साथ बोलना सीख लिया है।

एक नया तरीका मापने का और एक नया तरीका चलने का बनाकर, लेखकों ने एक ऐसा उपकरण बनाया है जो जटिल, वास्तविक दुनिया की पहेलियों को हल करने में बेहतर है जहाँ वेरिएबल्स एक ही सांचे में फिट नहीं होते। यह कृत्रिम बुद्धिमत्ता (AI) को इंजीनियरिंग और विज्ञान में आने वाली वास्तविक, मिश्रित समस्याओं के लिए अधिक लचीला और व्यावहारिक बनाने की दिशा में एक कदम है।

यहाँ शोध पत्र "A Firefly Algorithm for Mixed-Variable Optimization Based on Hybrid Distance Modeling" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र मिश्रित-चर अनुकूलन समस्याओं (Mixed-Variable Optimization Problems - MVOPs) को संबोधित करता है, जो वास्तविक दुनिया की अनुकूलन चुनौतियों का एक वर्ग है जहाँ निर्णय स्थान (decision space) में विषम प्रकार के चर (heterogeneous variable types) होते हैं: सतत (continuous), क्रमिक (ordinal), पूर्णांक (integer), और वर्गीकृत (categorical) चर।

चुनौती: अधिकांश मौजूदा मेटाह्यूरिस्टिक एल्गोरिदम (जैसे कि मानक पार्टिकल स्वार्म ऑप्टिमाइजेशन, डिफरेंशियल इवोल्यूशन, या जेनेटिक एल्गोरिदम) मुख्य रूप से या तो सतत या असतत स्थानों (discrete spaces) के लिए डिज़ाइन किए गए हैं।
वर्तमान दृष्टिकोणों की सीमाएँ:
- रिलैक्सेशन/डिस्क्रीटाइजेशन (Relaxation/Discretization): सामान्य रणनीतियों में असतत चरों को सतत स्थानों में बदलने (राउंडिंग के साथ) या सतत चरों को डिस्क्रीटाइज करने की प्रक्रिया शामिल होती है। ये विधियाँ अक्सर परिशुद्धता की हानि, उप-इष्टतम समाधान (suboptimal solutions), या वर्गीकृत चरों की संरचनात्मक बारीकियों को पकड़ने में विफल रहती हैं।
- फायरफ्लाई एल्गोरिदम (FA) विशिष्टता: मानक FA 'आकर्षण' (attractiveness) की गणना करने के लिए यूक्लिडियन दूरी (Euclidean distance) पर निर्भर करता है। यूक्लिडियन दूरी विषम स्थानों के लिए अनुपयुक्त है क्योंकि यह स्वाभाविक रूप से वर्गीकृत या असतत चरों के बीच की दूरी को नहीं माप सकती, जिससे भ्रामक आकर्षण तंत्र उत्पन्न होता है।

2. कार्यप्रणाली (Methodology): FAmv एल्गोरिदम

लेखक FAmv (मिश्रित-चर अनुकूलन के लिए फायरफ्लाई एल्गोरिदम) का प्रस्ताव करते हैं, जो एक नया अनुकूलन है जो मूल फायरफ्लाई गतिकी (dynamics) को बनाए रखते हुए प्रकार-विशिष्ट ऑपरेटरों और हाइब्रिड डिस्टेंस मॉडलिंग को पेश करता है।

A. हाइब्रिड डिस्टेंस मॉडलिंग (आकर्षण)

मुख्य नवाचार मानक यूक्लिडियन दूरी को मिश्रित-दूरी मेट्रिक्स (mixed-distance metrics) से बदलना है ताकि दो फायरफ्लाई ( $X_i$ और $X_j$ ) के बीच आकर्षण ( $\beta$ ) की गणना की जा सके। दो विशिष्ट सूत्रीकरण प्रस्तावित किए गए हैं:

यूक्लिडियन-हैमिंग दूरी ( $d_{EH}$ ):
- यह सतत घटकों के लिए यूक्लिडियन दूरी ( $d_E$ ) और असतत/वर्गीकृत घटकों के लिए हैमिंग दूरी ( $d_H$ ) को जोड़ता है।
- सूत्र: $r_{i,j} = \frac{1}{D} (d_E(x^{(c)}_i, x^{(c)}_j) + d_H(x^{(d)}_i, x^{(d)}_j))$ ।
- लाभ: सरल एकत्रीकरण; हानि: सतत बनाम असतत चरों के पैमाने (scale) के योगदान को पूरी तरह से संतुलित करने में विफल हो सकता है।
गौअर दूरी ( $d_G$ ):
- यह एक मजबूत मीट्रिक है जिसका व्यापक रूप से विषम डेटा के क्लस्टर विश्लेषण के लिए उपयोग किया जाता है। यह एकत्रीकरण से पहले प्रत्येक चर के योगदान को स्वतंत्र रूप से सामान्यीकृत (normalize) करता है।
- सतत चरों के लिए, यह सामान्यीकृत पूर्ण अंतर का उपयोग करता है; वर्गीकृत/असतत के लिए, यह मान 0 देता है यदि मान मेल खाते हैं और 1 देता है यदि वे भिन्न होते हैं।
- लाभ: चरों के पैमाने या प्रकार की परवाह किए बिना संतुलित अंतःक्रिया सुनिश्चित करता है।

B. मिश्रित-चर संचलन तंत्र (Mixed-Variable Movement Mechanism)

एक फायरफ्लाई की गति को चर के प्रकार के आधार पर दो अलग-अलग चरणों में विभाजित किया गया है:

सतत अपडेट (Continuous Update):
- यह गणना किए गए आकर्षण $\beta$ और एक यादृच्छिक विक्षेपण पद ( $\alpha$ ) का उपयोग करके मानक FA अपडेट नियम का पालन करता है।
- $x^{(c)}_i(t+1) = x^{(c)}_i(t) + \beta(r_{i,j})(x^{(c)}_j(t) - x^{(c)}_i(t)) + \alpha(rand - 0.5)$ ।
असतत अपडेट (Discrete Update):
- $\beta$ -चरण (निर्देशित आकर्षण): प्रत्यक्ष वेक्टर जोड़ के बजाय, असतत घटक संभाव्यता के आधार पर चलता है। यदि $x^{(d)}_{i,k} \neq x^{(d)}_{j,k}$ , तो फायरफ्लाई $i$ का मान $\beta = \exp(-\gamma r^2_{i,j})$ की प्रायिकता के साथ फायरफ्लाई $j$ के मान द्वारा प्रतिस्थापित किया जाता है। निकटवर्ती फायरफ्लाई के पास असतत मानों को बदलने की उच्च संभावना होती है।
- $\alpha$ -चरण (यादृच्छिक अन्वेषण):
  - पूर्णांक चरों (Integer variables) के लिए: एक विक्षेपण तंत्र का उपयोग करता है ( $x = INT(x + \alpha \cdot \epsilon)$ )।
  - वर्गीकृत/गैर-कॉम्पैक्ट चचरों के लिए: एक संभावabilistic प्रतिस्थापन तंत्र का उपयोग करता है जहाँ प्रतिस्थापन की संभावना $\alpha$ के सिग्मॉइड फंक्शन (sigmoid function) के माध्यम से मैप की जाती है, जिससे गैर-सतत डोमेन में वैश्विक अन्वेषण (global exploration) संभव होता है।

C. पैरामीटर अनुकूलन रणनीति (Parameter Adaptation Strategy)

अन्वेषण (exploration) और शोषण (exploitation) के बीच संतुलन बनाने के लिए, नियंत्रण मापदंडों $\alpha$ (यादृच्छिकता) और $\gamma$ (प्रकाश अवशोषण/क्षय) को अनुकूलन प्रगति के आधार पर गतिशील रूप से समायोजित किया जाता है:

अन्वेषण को बढ़ावा देने के लिए दोनों मापदंड उच्च मानों से शुरू होते हैं।
जैसे-जैसे उपभोग किए गए फंक्शन इवैल्यूएशन ($FE $) का अनुपात अधिकतम बजट ($ FEmax$) के प्रति बढ़ता है, उन्हें रैखिक रूप से कम किया जाता है।
समयपूर्व अभिसरण (premature convergence) को रोकने के लिए 0.01 का निचला स्तर (lower bound) लागू किया जाता है।

3. प्रमुख योगदान (Key Contributions)

प्रकार-जागरूक अनुकूलन (Type-Aware Adaptation): रिलैक्सेशन या डिस्क्रीटाइजेशन ह्यूरिस्टिक्स पर निर्भर किए बिना, विशेष रूप से मिश्रित-चर खोज स्थानों के लिए डिज़ाइन किया गया पहला एकीकृत फायरफ्लाई एल्गोरिदम अनुकूलन।
हाइब्रिड डिस्टेंस सूत्रीकरण: विषम स्थानों में अंतःक्रियाओं को मॉडल करने के लिए यूक्लिडियन-हैमिंग और गौर-आधारित दूरी मेट्रिक्स का परिचय, जो सुसंगत खोज पथ (search trajectories) सक्षम करता है।
संभाव्यता आधारित असतत संचलन: असतत चरों के लिए एक नवीन तंत्र जो आकर्षण को मान विनिमय (value exchange) की एक प्रायिकता के रूप में व्याख्या करता है, जिससे समाधान की व्यवहार्यता सुनिश्चित होती है।
व्यापक मूल्यांकन: CEC2013 मिश्रित-चर बेंचमार्क (28 फंक्शन) और तीन वास्तविक इंजीनियरिंग डिजाइन समस्याओं पर व्यापक परीक्षण।

4. प्रयोगात्मक परिणाम (Experimental Results)

अध्ययन में FAmv (और इसके वेरिएंट्स) की तुलना अत्याधुनिक बेसलाइन: DEmv (डिफरेंशियल इवोल्यूशन), GA (जेनेटिक एल्गोरिदम), और PSOmv (पार्टिकल स्वार्म ऑप्टिमाइजेशन) से की गई।

CEC2013 बेंचमार्क (28 फंक्शन):
- Unimodal Functions: FAmvH वेरिएंट (यूक्लिडियन-हैमिंग दूरी का उपयोग करने वाला) 5 में से 4 फंक्शन पर सर्वश्रेष्ठ परिणाम प्राप्त करने में सफल रहा, जो बेहतर अभिसरण गति और स्थिरता प्रदर्शित करता है।
- Multimodal Functions: प्रदर्शन विषम रहा। FAmv वेरिएंट प्रतिस्पर्धी रहे, और F8, F9, F15, F16, F19, और F20 फंक्शन पर सर्वश्रेष्ठ परिणाम प्राप्त किए।
- Composition Functions: FAmv वेरिएंट हावी रहे, 8 में से 6 कंपोजिशन फंक्शन पर सर्वश्रेष्ठ परिणाम प्राप्त किए।
- मजबूती (Robustness): स्वतंत्र रन के दौरान FAmv वेरिएंट्स ने बेसलाइन्स की तुलना में कम समाधान फैलाव (standard deviation) दिखाया।
इंजीनियरिंग डिजाइन समस्याएं:
- वेल्डेड बीम (BEAM): FAmvH ने सबसे कम निर्माण लागत प्राप्त की।
- प्रेशर वेसल (VESSEL): FAmvG (गौर दूरी) अन्य सभी एल्गोरिदम से बेहतर रहा।
- कॉइल स्प्रिंग (CSD): DEmv थोड़ा बेहतर प्रदर्शन करता है, लेकिन FAmv वेरिएंट अत्यधिक प्रतिस्पर्धी और कम परिवर्तनशीलता वाले रहे।
एब्लेशन स्टडी (Ablation Study):
- अध्ययन ने पुष्टि की कि केवल मिश्रित-चर संचलन तंत्र ही मानक FA की तुलना में महत्वपूर्ण प्रदर्शन लाभ प्रदान करता है।
- पैरामीटर अनुकूलन ने प्रदर्शन को और बढ़ाया, विशेष रूप से जटिल मल्टीमॉडल और कंपोजिशन परिदृश्यों पर।
- दूरी का चयन: श्रेणियों के लिए हैमिंग-आधारित दूरियों ने मजबूत प्रदर्शन दिखाया, जबकि गौर-आधारित दूरियों को उनके सीमित स्वभाव (0 से 1) की भरपाई के लिए अनुकूलित मापदंडों की आवश्यकता थी, जो अत्यधिक तीव्र आकर्षण की ओर ले जा सकता है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

यह शोध पत्र जटिल, वास्तविक दुनिया की अनुकूलन समस्याओं पर प्रकृति-प्रेरित मेटाह्यूरिस्टिक्स को लागू करने की दिशा में एक महत्वपूर्ण कदम है।

सैद्धांतिक प्रभाव: यह प्रदर्शित करता है कि वेरिएबल विषमता (variable heterogeneity) का सम्मान करने के लिए दूरी मेट्रिक और संचलन ऑपरेटरों को पुनर्गठित करके फायरफ्लाई एल्गोरिदम को सतत स्थानों से परे प्रभावी रूप से सामान्यीकृत किया जा सकता है।
व्यावहारिक प्रभाव: यह विधि रिलैक्सेशन रणनीतियों के दोषों से बचती है, जिससे वर्गीकृत और असतत बाधाओं की अखंडता बनी रहती है। इंजीनियरिंग डिजाइन समस्याओं (Vessel, Beam, Spring) पर इसकी सफलता औद्योगिक सेटिंग्स में इसकी प्रयोज्यता की पुष्टि करती है।
भविष्य की दिशाएं: लेखकों का कहना है कि भविष्य के कार्य को सतत चरों के बहुत बड़े रेंज में होने पर दूरी के योगदान को बेहतर ढंग से सामान्य करने और अन्वेषण-शोषण (exploration-exploitation) के बीच संतुलन को और अधिक स्थिर करने के लिए अधिक उन्नत अनुकूलन तंत्र विकसित करने पर ध्यान केंद्रित करना चाहिए।

संक्षेप में, FAmv मिश्रित-चर अनुकूलन के लिए एक मजबूत, लचीला और उच्च-प्रदर्शन वाला समाधान प्रदान करता है, जो स्पेक्ट्रम के व्यापक क्रम (synthetic and real-world benchmarks) में अत्याधुनिक एल्गोरिदम को मात देता है या उनके बराबर प्रदर्शन करता है।