⚡ electrical engineering

Salted Fisher Information for Hybrid Systems

यह शोध पत्र हाइब्रिड सिस्टम के लिए साल्टेड फिशर इंफॉर्मेशन मैट्रिक्स (SFIM) प्रस्तुत करता है, जो डिस्क्रीट घटनाओं के कारण होने वाले संवेदनशीलता अपडेट को ध्यान में रखने के लिए साल्टेशन मैट्रिसेस को शामिल करता है, जिससे निरंतर और डिस्क्रीट सूचना संचय को एकीकृत किया जाता है और मैट्रिक्स की धनात्मक निश्चितता (positive definiteness) के लिए स्थितियाँ स्थापित की जाती हैं।

मूल लेखक: Bukunmi G. Odunlami, Marcos Netto, Hai Lin

प्रकाशित 2026-04-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Bukunmi G. Odunlami, Marcos Netto, Hai Lin

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 गुप्त सॉस (secret sauce) की सटीक रेसिपी पता लगाने की कोशिश कर रहे हैं। आपके पास सूप का एक बर्तन (सिस्टम) है, और आप जानना चाहते हैं कि उसमें कितना नमक, काली मिर्च और लहसुन (पैरामीटर्स) है। ऐसा करने के लिए, आप अलग-अलग समय पर सूप का स्वाद चखते हैं।

इंजीनियरिंग की दुनिया में, इस "स्वाद चखने" को एस्टिमेशन (estimation) कहा जाता है, और जिस टूल का उपयोग हम यह मापने के लिए करते हैं कि हमने प्रत्येक बार स्वाद चखने से कितना सीखा है, उसे फिशर इंफॉर्मेशन (Fisher Information) कहा जाता है। फिशर इंफॉर्मेशन को एक "लर्निंग स्कोर" (सीखने का स्कोर) के रूप में समझें। स्कोर जितना अधिक होगा, आप रेसिपी के अपने अनुमान को लेकर आप उतने ही अधिक आश्वस्त होंगे।

समस्या: चिकनी बनाम ऊबड़-खाबड़ सड़कें

इस "लर्निंग स्कोर" की गणना करने के अधिकांश पारंपरिक तरीके यह मानकर चलते हैं कि सूप एक पूरी तरह से चिकनी, निरंतर सड़क पर मिलाया जा रहा है। वे यह मानते हैं कि यदि आप नमक की मात्रा में थोड़ा सा बदलाव करते हैं, तो स्वाद समय के साथ धीरे-धीरे और सुचारू रूप से बदलता है।

लेकिन वास्तविक जीवन हमेशा चिकना नहीं होता। कभी-कभी, सिस्टम एक डिस्क्रीट इवेंट (discrete event) से टकराता है—एक अचानक उछाल या स्विच।

उपमा (Analogy): कल्पना कीजिए कि आप कार चला रहे हैं। आमतौर पर, आप सुचारू रूप से गति बढ़ाते हैं। लेकिन फिर, आप एक स्पीड बंप या गड्ढे से टकरा जाते हैं। अचानक, आपकी कार झटके से चलती है, आपका सस्पेंशन दब जाता है, और आपकी स्थिति तुरंत बदल जाती है।
इंजीनियरिंग वास्तविकता: पावर ग्रिड या विंड टर्बाइन जैसे सिस्टम में चीजें अचानक मोड बदल लेती हैं। एक विंड टर्न (पवन चक्की) बहुत तेज़ घूमने से रोकने के लिए अचानक अपने ब्लेड का कोण बदल सकती है, या एक सर्किट "ऑन" से "ऑफ" में स्विच हो सकता है। ये हाइब्रिड सिस्टम (Hybrid Systems) हैं: कुछ हिस्सा चिकनी ड्राइविंग वाला और कुछ हिस्सा स्पीड बंप वाला।

पुराने तरीकों ने स्पीड बंप्स को अनदेखा कर दिया। उन्होंने यह मान लिया कि "झटके" से इस बात पर कोई फर्क नहीं पड़ता कि आपने रेसिपी के बारे में कितना सीखा। वे केवल ऐसे गणना करते रहे जैसे कार कभी चिकनी सड़क से बाहर ही नहीं निकली। इससे आपके इस अनुमान के बारे में एक गलत धारणा बनती है कि आप वास्तव में रेसिपी को कितनी अच्छी तरह जानते हैं।

समाधान: "साल्टेशन" मैट्रिक्स (The "Saltation" Matrix)

लेखकों ने इस पेपर में एक नया टूल पेश किया जिसे साल्टेड फिशर इंफॉर्मेशन मैट्रिक्स (SFIM) कहा जाता है।

"साल्टेशन" (Saltation) क्या है?
लैटिन में, saltare का अर्थ है "कूदना"। गणित में, एक "साल्टेशन मैट्रिक्स" एक विशेष कैलकुलेटर है जो आपको बताता है कि एक डिस्क्रीट इवेंट होने पर सिस्टम की संवेदनशीलता (sensitivity)—यानी एक पैरामीटर में बदलाव करने पर आउटपुट में कितना बदलाव आता है—ठीक कैसे कूदती (jump) है।

रचनात्मक रूपक: ट्रैम्पोलिन (The Trampoline Metaphor)
कल्पना कीजिए कि आपका सिस्टम एक ट्रैम्पोलिन है।

चिकना प्रवाह (Smooth Flow): जब आप बस ट्रैम्पोलिन पर चल रहे होते हैं, तो आपकी गति सुचारू होती है। आप भविष्यवाणी कर सकते हैं कि आप आगे कहाँ होंगे।
घटना (The Event/Jump): अचानक, कोई लीवर खींचता है, और ट्रैम्पोलिन की सतह का टेक्सचर बदल जाता है। आप कूदते हैं।
पुराना तरीका: पुराना तरीका यह मान लेता कि आपने छलांग नहीं लगाई। वह कहता, "आप चल रहे थे, इसलिए आप अभी भी चल रहे हैं।" वह इस तथ्य को भूल जाता है कि अब आप हवा में हैं और अलग तरह से गति कर रहे हैं।
नया तरीका (SFIM): साल्टेड फिशर इंफॉर्मेशन एक स्मार्ट कैमरे की तरह है जो उस कूद (jump) को कैप्चर करता है। यह गणना करता है: "ठीक है, आपने लीवर हिट किया। उस कूद के कारण, 'नमक' पैरामीटर के प्रति आपकी संवेदनशीलता अभी 20% बदल गई है।"

इस "जंप करेक्शन" (साल्टेशन मैट्रिक्स) को गणना में जोड़कर, SFIM सभी जानकारी को कैप्चर करता है: सुचारू चाल और अचानक उछाल दोनों।

यह क्यों मायने रखता है? (विंड टर्बाइन का उदाहरण)

यह पेपर एक विंड टर्बाइन पर इसका परीक्षण करता है।

परिदृश्य: एक विंड टर्बाइन घूमती है। जब हवा बहुत तेज़ हो जाती है, तो इसके ब्लेड "पिच" (मुड़ते) हैं ताकि गति धीमी हो सके। यह "नॉर्मल मोड" से "सेफ्टी मोड" में एक अचानक स्विच है।
परिणाम:
- पुराना तरीका (Smooth): इसने सोचा कि टर्बाइन बस धीरे-धीरे बदल रही है। इसने अचानक हुए स्विच को मिस कर दिया। इसने निष्कर्ष निकाला, "हम पैरामीटर्स को अच्छी तरह से नहीं जानते; हमारा डेटा कमजोर है।"
- नया तरीका (SFIM): इसने स्विच को देखा। इसने महसूस किया, "आह! जिस क्षण ब्लेड मुड़े, हमें टर्बाइन के मैकेनिकल पार्ट्स के बारे में बहुत कुछ पता चला।"
- परिणाम: नए तरीके ने दिखाया कि सिस्टम वास्तव में पुराने तरीके की तुलना में बहुत अधिक सूचनात्मक (informative) था। यह पैरामीटर्स (जैसे ब्लेड का वजन या हवा की गति) को बहुत अधिक सटीकता से पहचान सकता था।

"परसिस्टेंस ऑफ एक्साइटेशन" (डांस फ्लोर)

यह पेपर हाइब्रिड परसिस्टेंस ऑफ एक्साइटेशन (Hybrid Persistence of Excitation) नामक एक स्थिति को भी सिद्ध करता है।

उपमा: कल्पना कीजिए कि आप एक डांस रूटीन सीखने की कोशिश कर रहे हैं। यदि आप बस स्थिर खड़े रहते हैं, तो आप कुछ नहीं सीखते। यदि आप सुचारू रूप से नाचते हैं, तो आप कुछ मूव्स सीखते हैं। लेकिन यदि आप सुचारू नृत्य और अचानक, तीखे जंप (जैसे ब्रेकडांस स्पिन) को मिला देते हैं, तो आप पूरा रूटीन बहुत तेज़ी से सीख लेते हैं।
अर्थ: पेपर दिखाता है कि यदि किसी सिस्टम में पर्याप्त "जंप" और "स्मूथ पार्ट्स" का मिश्रण है, तो आप 100% सुनिश्चित हो सकते हैं कि आपके पैरामीटर अनुमान अद्वितीय और सही हैं। उछाल (jumps) वास्तव में सीखने में मदद करते हैं, न कि नुकसान पहुँचाते हैं।

सारांश

पुराना तरीका: सिस्टम में अचानक होने वाले बदलावों (jumps) को अनदेखा कर देता था। यह एक ऊबड़-खाबड़ सड़क को केवल उसके चिकने हिस्सों को देखकर मापने की कोशिश करने जैसा था।
नया तरीका (SFIM): "जंप्स" (डिस्क्रीट इवेंट्स) को गणितीय रूप से समझने के लिए "साल्टेशन मैट्रिक्स" का उपयोग करता है।
लाभ: यह एक बहुत अधिक सटीक "लर्निंग स्कोर" देता है। यह इंजीनियरों को बताता है, "आप वास्तव में अपने सिस्टम को अपनी सोच से बेहतर जानते हैं, क्योंकि अचानक हुए स्विच ने आपको अतिरिक्त संकेत दिए हैं।"
वास्तविक दुनिया: यह बेहतर पावर ग्रिड, विंड फार्म और रोबोट डिजाइन करने में मदद करता है, यह सुनिश्चित करके कि हम उनके सेटिंग्स को सटीक रूप से ट्यून कर सकें, भले ही वे लगातार मोड बदल रहे हों।

संक्षेप में: स्पीड बंप्स को अनदेखा न करें। उनसे अधिक सीखने के लिए उनका उपयोग करें!

यहाँ ओडुनलामी, नेटो और लिन के शोध पत्र "साल्टेड फिशर इंफॉर्मेशन फॉर हाइब्रिड सिस्टम्स" (Salted Fisher Information for Hybrid Systems) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

फिशर इंफॉर्मेशन (FI) एक मौलिक मीट्रिक है जिसका उपयोग डायनेमिकल सिस्टम्स में पैरामीटर आइडेंटिफिएबिलिटी (parameter identifiability) और एस्टिमेटर वेरिएंस बाउंड्स (estimator variance bounds) का आकलन करने के लिए किया जाता है। पारंपरिक रूप से, FI फॉर्मुलेशन यह मान लेते हैं कि सिस्टम स्टेट्स और उनकी सेंसिटिविटीज़ निरंतर डिफरेंशियल इक्वेशंस के अनुसार समय के साथ सुचारू रूप से विकसित होती हैं।

हालाँकि, कई इंजीनियरों द्वारा उपयोग किए जाने वाले सिस्टम (जैसे, प्रोटेक्शन मैकेनिज्म वाले पावर सिस्टम्स, पावर इलेक्ट्रॉनिक्स) हाइब्रिड सिस्टम्स होते हैं, जिनकी विशेषता निरंतर प्रवाह (continuous flows) के बीच में होने वाली डिस्क्रीट इवेंट्स (जंप/स्विच) होती हैं।

अंतराल (The Gap): प्रचलित FI विधियाँ डिस्क्रीट इवेंट्स द्वारा प्रेरित सेंसिटिविटी अपडेट्स की उपेक्षा करती हैं। वे अक्सर मोड ट्रांजिशन को केवल रीपैरामीट्राइजेशन के रूप में मान लेती हैं या इस तथ्य को अनदेखा कर देती हैं कि पैरामीटर परटर्बेशन्स न केवल स्टेट ट्रजेक्टरी को बल्कि इवेंट के समय (timing of the events) (गार्ड क्रॉसिंग) और स्टेट रिसेट की ज्यामिति (geometry) को भी प्रभावित करते हैं।
परिणाम (The Consequence): इन डिस्क्रीट प्रभावों की अनदेखी करने से सूचना की मात्रा (information content) का कम आकलन होता है, जिससे गलत निष्कर्ष निकल सकते हैं (उदाहरण के लिए, एक सिस्टम अन-आइडेंटिफिएबल प्रतीत हो सकता है जबकि वह वास्तव में डिस्क्रीट जंप्स के कारण आइडेंटिफिएबल होता है)।

2. कार्यप्रणाली (Methodology)

लेखक हाइब्रिड सिस्टम्स के लिए साल्टेड फिशर इंफॉर्मेशन मैट्रिक्स (SFIM) को व्युत्पन्न करने के लिए एक एकीकृत ढांचा प्रस्तावित करते हैं। यह कार्यप्रणाली तीन मुख्य घटकों पर आधारित है:

A. सेंसिटिविटी प्रोपेगेशन के लिए साल्टेशन मैट्रिक्स (Saltation Matrix for Sensitivity Propagation)

पैरामीटर सेंसिटिविटीज ( $Z(t) = \partial x / \partial \theta$ ) को डिस्क्रीट इवेंट्स के माध्यम से सटीक रूप से प्रसारित करने के लिए, यह शोध पत्र साल्टेशन मैट्रिक्स ( $\Xi$ ) का उपयोग करता है।

मानक रिसेट मैप्स (जो केवल स्टेट को अपडेट करते हैं) के विपरीत, साल्टेशन मैट्रिक्स यह बताता है कि जब एक ट्रजेक्टरी गार्ड कंडीशन को पार करती है, तो सेंसिटिविटीज़ कैसे बदलती हैं।
यह दो साथिक प्रभावों को ध्यान में रखता है:
1. वेक्टर फील्ड्स में परिवर्तन (प्री-इवेंट मोड $f_q$ से पोस्ट-इवेंट मोड $f_{q'}$ तक)।
2. इवेंट टाइमिंग ( $\delta t$ ) में बदलाव, जो पैरामीटर परटर्बेशन्स के कारण होता है और यह निर्धारित करता है कि गार्ड कंडीशन कब पूरी होगी।
इवेंट टाइम $\tau_j$ पर सेंसिटिविटी अपडेट इस प्रकार दिया जाता है:
$Z(\tau_j^+) = \Xi_j Z(\tau_j^-) + D_\theta R_{qq'}(x(\tau_j^-), \theta)$
जहाँ $\Xi_j$ गार्ड कंडीशन, रिसेट मैप और वेक्टर फील्ड्स से प्राप्त साल्टेशन मैट्रिक्स है।

B. SFIM का व्युत्पन्न (Derivation of the SFIM)

SFIM निरंतर सूचना संचय (continuous information accumulation) और डिस्क्रीट जंप्स को एकीकृत करता है।

निरंतर प्रवाह (Continuous Flow): सूचना समय अंतराल के दौरान आउटपुट सेंसिटिविटीज ( $J(t)$ ) के मानक इंटीग्रल के माध्यम से संचित होती है।
डिस्क्रीट इवेंट्स (Discrete Events): प्रत्येक गार्ड क्रॉसिंग $\tau_j$ पर, एक तात्कालिक सूचना वृद्धि ( $\Delta I_j$ ) जोड़ी जाती है। यह वृद्धि आउटपुट सेंसिटिविटी के जंप के क्वाड्रेटिक फॉर्म से व्युत्पन्न होती है, जो साल्टेशन मैट्रिक्स द्वारा संचालित होती है।
इवेंट-टाइम सेंसिटिविटी (Event-Time Sensitivity): शोध पत्र स्पष्ट रूप से पैरामीटर्स के सापेक्ष स्विचिंग टाइम ( $\tau$ ) की सेंसिटिविटी ( $\partial \tau / \partial \theta$ ) को व्युत्पन्न करता है, यह दिखाते हुए कि पैरामीटर परिवर्तन यह प्रभावित करते हैं कि स्विच कब होता है, जिससे संचित सूचना पर प्रभाव पड़ता है।

C. आइडेंटिफिएबिलिटी के लिए सैद्धांतिक स्थितियाँ (Theoretical Conditions for Identifiability)

लेखक एक पर्याप्त स्थिति स्थापित करते हैं जिससे SFIM का पॉजिटिव डेफिनेट (positive definite) होना सुनिश्चित होता है (जो पैरामीटर आइडेंटिफिएबिलिटी सुनिश्चित करता है):

हाइब्रिड पर्सिस्टेंस ऑफ एक्साइटेशन (HPE): इस स्थिति के लिए आवश्यक है कि रिग्रेसर्स (सेंसिटिविटीज) निरंतर प्रवाह और डिस्क्रीट जंप दोनों में सूचनात्मक बने रहें।
प्रमेय (Theorem): यदि सिस्टम HPE को संतुष्ट करता है, तो परिणामी SFIM के पॉजिटिव डेफिनेट ( $I_S \succ 0$ ) होने की गारंटी है।

3. प्रमुख योगदान (Key Contributions)

साल्टेड फिशर इंफॉर्मेशन मैट्रिक्स (SFIM): एक नया फॉर्मुलेशन जो डिस्क्रीट इवेंट प्रभावों (साल्टेशन) को फिशर इंफॉर्मेशन गणनाओं में कठोरता से शामिल करता है, जिससे स्मूथ या रिसेट-ओनली अनुमानों की कमियों को सुधारा जा सके।
एकीकृत ढांचा (Unified Framework): यह व्युत्पन्न निरंतर-समय वेरिएशनल इक्वेशंस और डिस्क्रीट-टाइम सेंसिटिविटी अपडेट्स को निर्बाध रूप से जोड़ता है, जो पूर्ण हाइब्रिड आर्क डायनेमिक्स को कैप्चर करता है।
सैद्धांतिक गारंटी (Theoretical Guarantee): यह प्रमाण कि हाइब्रिड पर्सिस्टेंस ऑफ एक्साइटेशन (HPE) एक पर्याप्त स्थिति है जिससे SFIM पॉजिटिव डेफिनेट बनता है, जो हाइब्रिड सिस्टम्स में आइडेंटिफिएबिलिटी के लिए एक सैद्धांतिक आधार प्रदान करता है।
इवेंट-टाइम सेंसिटिविटी विश्लेषण (Event-Time Sensitivity Analysis): यह स्पष्ट व्युत्पन्न कि पैरामीटर परटर्बेशन्स डिस्क्रीट इवेंट्स की टाइमिंग को कैसे प्रभावित करते हैं, जो पिछले हाइब्रिड सिस्टम विश्लेषणों में अक्सर अनदेखा किया जाने वाला कारक है।

4. परिणाम और संख्यात्मक प्रयोग (Results and Numerical Experiments)

प्रस्तावित ढांचे को दो उदाहरणों का उपयोग करके सत्यापित किया गया:

A. DC-DC बक कनवर्टर (प्रेरणात्मक उदाहरण)

तुलना: SFIM की तुलना एक मानक "एवरेज्ड" (averaged) निरंतर मॉडल से की गई।
परिणाम: एवरेज्ड मॉडल ने फिशर इंफॉर्मेशन आइजनवैल्यूज (eigenvalues) में धीमी, क्रमिक वृद्धि दिखाई, जो कुछ पैरामीटर दिशाओं में सीमित सूचना का संकेत देती है। इसके विपरीत, SFIM ने काफी बड़े आइजनवैल्यूज दिखाए।
अंतर्दृष्टि (Insight): साल्टेशन मैट्रिक्स जंप्स पर सेंसिटिविटी सेट के ज्यामितीय विरूपण (geometric deformation) को कैप्चर करता है, जिससे वह सूचना प्रकट होती है जिसे एवरेज्ड मॉडल पूरी तरह से मिस कर देता है।

B. विंड टर्बाइन जनरेटर (WTG) के साथ थ्री-बस पावर सिस्टम

सिस्टम: एक डिफरेंशियल-अलजेब्रिक पावर सिस्टम जहाँ WTG रोटर स्पीड या पावर थ्रेशोल्ड के आधार पर पिच-इनएक्टिव और पिच-एक्टिव मोड के बीच स्विच करता है।
पैरामीटर्स: मैकेनिकल इनर्शिया, गेन कोएफिशिएंट्स और टाइम कांस्टेंट्स सहित पैरामीटर्स के एक उपसमूह की पहचान की गई।
प्रदर्शन मेट्रिक्स (Performance Metrics):
- रैंक (Rank): मानक "स्मूथ FIM" रैंक-डेफिशिएंट (रैंक 6) था, जो अन-आइडेंटिफिएबल पैरामीटर्स का संकेत देता है। SFIM ने पूर्ण रैंक (7) प्राप्त की।
- आइजनवैल्यूज (Eigenvalues): सबसे छोटा आइजनवैल्यू ( $\lambda_{min}$ ) $1.07 \times 10^{-1}$ (स्मूथ) से बढ़कर $1.56 \times 10^{-1}$ (SFIM) हो गया।
- सूचना स्केल (Information Scale): लॉग-डिटरमिनेंट (कुल सूचना वॉल्यूम का एक माप) 8.14 (स्मूथ) से नाटकीय रूप से बढ़कर 62.56 (SFIM) हो गया।
इवेंट-टाइम प्रभाव: जब एक पावर-ट्रिगर्ड गार्ड (जहाँ स्विचिंग टाइम स्पष्ट रूप से पैरामीटर्स पर निर्भर करता है) का उपयोग किया गया, तो SFIM ने रिसेट-ओनली एप्रोक्सिमेशन की तुलना में अलग आइजनवैल्यू वितरण दिखाया, जिससे सिद्ध हुआ कि पैरामीटर-डिपेंडेंट इवेंट टाइमिंग सूचना का एक महत्वपूर्ण स्रोत है।

5. महत्व (Significance)

बेहतर पैरामीटर एस्टीमेशन: डिस्क्रीट जंप्स को ध्यान में रखकर, SFIM एस्टिमेटर वेरिएंस के निचले बाउंड (Cramér-Rao bound) का अधिक सटीक आकलन प्रदान करता है, जिससे बेहतर प्रयोगात्मक डिजाइन और हाइब्रिड सिस्टम्स में अधिक विश्वसनीय पैरामीटर आइडेंटिफिकेशन संभव होता है।
पावर सिस्टम अनुप्रयोग: परिणाम दर्शाते हैं कि पावर सिस्टम्स (जैसे, प्रोटेक्शन रिले, टर्बाइन पिच कंट्रोल) में हाइब्रिड डायनेमिक्स की अनदेखी करने से सिस्टम ऑब्जर्वेबिलिटी के बारे में गलत निष्कर्ष निकल सकते हैं। SFIM यह प्रकट करता है कि डिस्क्रीट इवेंट्स अक्सर उन पैरामीटर्स को पहचानने के लिए आवश्यक "एक्साइटेशन" प्रदान करते हैं जो निरंतर प्रवाह में अन्यथा अन-ऑब्जर्वेबल होते हैं।
सैद्धांतिक प्रगति: यह कार्य हाइब्रिड सिस्टम थ्योरी (साल्टेशन मैट्रिसेस) और सांख्यिकीय एस्टीमेशन थ्योरी (फिशर इंफॉर्मेशन) के बीच के अंतर को पाटता है, जो जटिल, स्विचिंग डायनेमिकल सिस्टम्स के विश्लेषण के लिए एक कठोर उपकरण प्रदान करता है।

सीमाएँ और भविष्य का कार्य (Limitations & Future Work): वर्तमान फॉर्मुलेशन ज्ञात गार्ड/रिसेट मैप्स के साथ नियत (deterministic) हाइब्रिड डायनेमिक्स को मानता है और प्रथम-क्रम (first-order) एप्रोक्सिमेशन पर निर्भर करता है। भविष्य की दिशाओं में स्टोकेस्टिक हाइब्रिड सिस्टम्स के लिए ढांचे का विस्तार करना और SFIM को अधिकतम करने के लिए ट्रजेक्टरी डिजाइन एल्गोरिदम विकसित करना शामिल है।