🤖 machine learning

When Fireflies Cluster; Enhancing Automatic Clustering via Centroid-Guided Firefly Optimization

यह शोध पत्र एक नवीन सेंट्रॉइड-निर्देशित फायरफ्लाई एल्गोरिदम वेरिएंट प्रस्तुत करता है जो एक बहु-उद्देश्यीय फिटनेस फंक्शन को टीएसपी-आधारित नेविगेशन पेनल्टी के साथ एकीकृत करके क्लस्टर्स की इष्टतम संख्या को स्वतः निर्धारित करता है और जटिल, गैर-समान डेटासेट में क्लस्टरिंग गुणवत्ता को बढ़ाता है, जो रोबोटिक सेंसर नेटवर्क अनुप्रयोगों में के-मीन्स (K-Means) की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।

मूल लेखक: MKA Ariyaratne, Azwirman Gusrialdi, Yury Nikulin, Jaakko Peltonen

प्रकाशित 2026-05-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: MKA Ariyaratne, Azwirman Gusrialdi, Yury Nikulin, Jaakko Peltonen

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 आपके पास एक बहुत बड़ा, बिखरा हुआ कमरा है जो सैकड़ों बिखरे हुए खिलौनों से भरा हुआ है। आपका लक्ष्य उन्हें समान वस्तुओं के आधार पर समूहों में व्यवस्थित करके व्यवस्थित करना है। डेटा साइंस में क्लस्टरिंग (Clustering) यही करती है: यह जानकारी को इस आधार पर व्यवस्थित करती है कि वस्तुएं एक-दूसरे के कितनी समान हैं।

हालाँकि, इसे करने का पुराना, मानक तरीका (जिसे K-Means कहा जाता है) एक कठोर रोबोट की तरह है। इसकी तीन बड़ी समस्याएँ हैं:

इसे एक बॉस की ज़रूरत होती है: आपको इसे ठीक से बताना पड़ता है कि कितने ढेर बनाने हैं (जैसे, "5 ढेर बनाओ")। यदि आप गलत अनुमान लगाते हैं, तो पूरी व्यवस्था खराब हो जाती है।
यह फंस जाता है: यह अक्सर शुरुआत में एक गलत अनुमान लगा लेता है और इसे सुधार नहीं पाता, जिससे अंत में एक अव्यवस्थित ढेर बन जाता है, भले ही कोई बेहतर व्यवस्था मौजूद हो।
यह रास्ते को अनदेखा करता है: यह केवल इस बात पर ध्यान देता है कि कौन सा खिलौना ढेर के केंद्र के कितने करीब है। इसे इस बात की परवाह नहीं है कि उन सभी को उठाने के लिए आपको टेढ़े-मेढ़े रास्तों पर चलना पड़ेगा या नहीं, जो कि बुरा है यदि आप इन जगहों पर जाने के लिए एक रोबोट के रूप में कुशलतापूर्वक काम करना चाहते हैं।

नया समाधान: द फायरफ्लाई स्वार्म (जुगनू का झुंड)

इस शोध पत्र के लेखक एक नई विधि प्रस्तावित करते हैं जो जुगनुओं (Fireflies) से प्रेरित है। एक अंधेरे मैदान की कल्पना करें जहाँ जुगनू अपनी रोशनी चमका रहे हैं।

नियम: एक मंद चमक वाला जुगनू हमेशा एक चमकदार जुगनू की ओर उड़ता है।
चमक: इस कंप्यूटर प्रोग्राम में, "चमक" का अर्थ है कि एक समूहीकरण (grouping) कितना अच्छा है। जितना बेहतर समूह होगा, जुगनू उतना ही चमकदार होगा।

शोधकर्ताओं ने इस पुराने रोबोट तरीके की समस्याओं को हल करने के लिए जुगनुओं के इस खेल का एक विशेष संस्करण बनाया है। उन्होंने इसे सरल उपमाओं का उपयोग करके कैसे किया है, यहाँ दिया गया है:

1. बॉस की ज़रूरत नहीं (स्वचालित गणना)

पुराने तरीके में, आपको शुरू करने से पहले चिल्लाकर कहना पड़ता था, "5 ढेर बनाओ!" इस नए फायरफ्लाई (Firefly) तरीके में, जुगनू इसे खुद ही समझ लेते हैं।

उपमा: जुगनुओं के एक समूह की कल्पना करें जहाँ कुछ के पास 3 टॉर्च हैं, कुछ के पास 5 और कुछ के पास 8। वे इधर-उधर उड़ते हैं, और जिनमें टॉर्च की "सबसे अच्छी" संख्या (ढेरों की सही संख्या) होती है, वे सबसे अधिक चमकते हैं। मंद चमक वाले उनकी नकल करते हैं। अंततः, पूरा झुंड बिना किसी के बताए स्वाभाविक रूप से ढेरों की सही संख्या पर स्थिर हो जाता है।

2. "स्मार्ट" फिटनेस स्कोर (द मल्टी-टास्क जज)

यह तय करने के लिए कि कौन सा समूहीकरण "सबसे चमकदार" है, शोधकर्ताओं ने जुगनुओं को एक विशेष स्कोरकार्ड दिया जिसमें तीन बिंदु हैं:

कॉम्पैक्टनेस (कसा हुआ घेरा): क्या ढेर में खिलौने एक-दूसरे के करीब हैं? (अच्छा!)
सेपरेशन (दूरी): क्या अलग-अलग ढेर एक-दूसरे से पर्याप्त दूर हैं ताकि वे आपस में न मिलें? (अच्छा!)
TSP पेनल्टी (चलने का रास्ता): यह इस शोध पत्र का मुख्य आकर्षण (secret sauce) है। उन्होंने एक नियम जोड़ा जो यह जाँचता है कि क्या आप एक ढेर के सभी खिलौनों के माध्यम से एक सुचारू, छोटे लूप में घूम सकते हैं।
- उपमा: यदि आप एक रोबोट वैक्यूम क्लीनर हैं, तो आप केवल खिलौनों के पास ही नहीं रहना चाहते; आप चाहते हैं कि आप उन सभी को साफ करने के लिए अनावश्यक आगे-पीछे जाने के बजाय एक सुचारू पथ पर चल सकें। पुराने तरीके ने इसे अनदेखा कर दिया; फायरफ्लाई विधि उन समूहों को पुरस्कृत करती है जिन्हें नेविगेट करना आसान होता है।

3. "शेप-शिफ्टिंग" डांस (सेंट्रॉइड्स को बदलना)

पुराने तरीके में, सभी ढेर एक ही आकार के थे। इस नए तरीके में, जुगनसे अपने आकार को बदल सकते हैं।

उपमा: यदि एक जुगनसे के पास 3 ढेर हैं और वह एक फिट जुगनसे को देखता है जिसके पास 4 ढेर हैं, तो वह केवल स्थितियों की नकल नहीं करता; वह बेहतर पैटर्न से मेल खाने के लिए एक नया ढेर जोड़ सकता है या दो पुराने ढेरों को मिला सकता है। वे सबसे अच्छे फिट को खोजने के लिए लगातार अपना "आकार" बदलते रहते हैं।

उन्होंने क्या पाया?

शोधकर्ताओं ने परीक्षण करने के लिए दो स्थानों के मानचित्रों का उपयोग किया (एक 80 स्थानों वाला, एक 1,250 स्थानों वाला), जो एक रोबोटिक सेंसर नेटवर्क का अनुकरण करते हैं जो विभिन्न क्षेत्रों की निगरानी करने की आवश्यकता रखता है।

परिणाम: जब उन्होंने अपने फायरफ्लाई तरीके की तुलना पुराने K-Means रोबोट से की, तो फायरफ्लाई पद्धति ने बेहतर समूहीकरण पाया।
नेविगेशन की जीत: सबसे महत्वपूर्ण बात यह है कि जब उन्होंने गणना की कि एक रोबट को एक क्लस्टर के सभी बिंदुओं पर जाने के लिए कुल कितनी दूरी तय करनी होगी, तो फायरफ्लाई क्लस्टर के परिणामस्वरूप छोटे रास्ते निकले।
- उदाहरण: छोटे मानचित्र पर, फायरफ्लाई पद्धति ने K-Means की तुलना में यात्रा की दूरी में लगभग 11 यूनिट की बचत की। बड़े मानचित्र पर, इसने 138 यूनिट की बचत की।

निचोड़ (The Bottom Line)

यह शोध पत्र डेटा को वर्गीकृत करने का एक स्मार्ट तरीका पेश करता है। एक कठोर रोबोट के बजाय जिसे आपको समूहों की संख्या का अनुमान लगाने की आवश्यकता होती है, यह डिजिटल जुगनखों के एक झुंड का उपयोग करता है जो:

समूहों की सही संख्या स्वचालित रूप से खोजने के लिए स्वयं व्यवस्थित (Self-organize) होते हैं।
कड़े समूहीकरण और स्पष्ट अलगाव के बीच संतुलन बनाते हैं।
यात्रा के लिए अनुकूलित (Optimize for travel) होते हैं, यह सुनिश्चित करते हैं कि यदि किसी रोबोट को इन स्थानों पर जाना है, तो वह सबसे कुशल मार्ग ले।

लेखकों का निष्कर्ष है कि यह विधि मजबूत है, पुराने तरीकों की तुलना में जटिल आकृतियों को बेहतर ढंग से संभालती है, और विशेष रूप से रोबोटिक सेंसर नेटवर्क के लिए उपयोगी है जहाँ कुशल आवाजाही उतनी ही महत्वपूर्ण है जितनी कि समान डेटा को एक साथ समूहित करना।

तकनीकी सारांश: जब जुगनू क्लस्टर करते हैं; सेंट्रॉइड-गाइडेड फायरफ्लाई ऑप्टिमाइज़ेशन के माध्यम से ऑटोमैटिक क्लस्टरिंग को बढ़ाना

1. समस्या विवरण

यह शोध पत्र पारंपरिक क्लस्टरिंग एल्गोरिदम, विशेष रूप से K-Means की अंतर्निहित महत्वपूर्ण सीमाओं को संबोधित करता है, जब उन्हें रोबोटिक सेंसर नेटवर्क परिनियोजन जैसे जटिल, वास्तविक दुनिया के परिदृश्यों में लागू किया जाता है। पहचाने गए प्राथमिक चुनौतियाँ हैं:

आरंभीकरण (Initialization) पर निर्भरता: K-Means जैसी मानक विधियाँ क्लस्टर केंद्रों के प्रारंभिक चयन के प्रति अत्यधिक संवेदनशील होती हैं, जिससे अक्सर उप-इष्टतम (suboptimal) स्थानीय मिनिमा प्राप्त होता है।
K का पूर्व-निर्धारण: अधिकांश एल्गोरिदम के लिए $K$ (क्लस्टरों की संख्या) को पहले से निर्दिष्ट करना आवश्यक होता है, जो व्यावहारिक अनुप्रयोगों में अक्सर अज्ञात होता है।
नेविगेशन दक्षता: स्थानिक अनुप्रयोगों (जैसे, रोबोटिक निगरानी) में, केवल निकटता (सेंट्रॉयड्स से दूरी) के आधार पर क्लस्टरिंग क्लस्टरों के भीतर कुशल नेविगेशन पथों की गारंटी नहीं देती है।
जटिल डेटा वितरण: पारंपरिक विधियाँ गैर-समान क्लस्टर आकारों, घनत्वों और बड़े पैमाने के डेटासेट के साथ संघर्ष करती हैं, और अक्सर प्रभावी ढंग से स्केल करने या क्लस्टरिंग में निहित NP-hard अनुकूलन समस्याओं को संभालने में विफल रहती हैं।

विशिष्ट अनुसंधान प्रेरणा एक रोबोटिक सेंसर नेटवर्क कार्य से उत्पन्न हुई है जहाँ निरंतर निगरानी की सुविधा के लिए रुचि के क्षेत्रों (regions of interest) को समूहीकृत किया जाना आवश्यक है। मौजूदा दृष्टिकोण जो K-Means का उपयोग करता था, तीन विशिष्ट आवश्यकताओं को पूरा करने में विफल रहा: प्रारंभिक केंद्र चयन से स्वतंत्रता, इष्टतम $K$ का स्वचालित निर्धारण (एक सीमा के भीतर), और ऐसे क्लस्टर बनाना जो कुशल इंट्रा-क्लस्टर नेविगेशन का समर्थन करें।

2. कार्यप्रणाली (Methodology)

लेखक एक नवीन 'फायरफ्लाई एल्गोरिदम' (FA) संस्करण का प्रस्ताव करते हैं जिसे विशेष रूप से ऑटोमैटिक डेटा क्लस्टरिंग के लिए डिज़ाइन किया गया है। कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

2.1. एन्कोडिंग और प्रतिनिधित्व

मानक FA कार्यान्वयनों के विपरीत, जहाँ जुगनू (fireflies) एकल बिंदुओं का प्रतिनिधित्व करते हैं, इस क्लस्टरिंग संस्करण में प्रत्येक जुगनू क्लस्टर सेंट्रॉयड्स के एक सेट का प्रतिनिधित्व करता है। एक समाधान को $K \times D$ आकार के मल्टी-डायमेंशनल एरे के रूप में एनकोड किया गया है, जहाँ $K$ क्लस्टरों की संख्या है और $D$ डेटा की विमा (dimensionality) है। महत्वपूर्ण रूप से, यह एल्गोरिदम अनुकूलन प्रक्रिया के दौरान जुगनुओं को विभिन्न लंबाई (विभिन्न $K$ मान) रखने की अनुमति देता है।

2.2. सेंट्रॉइड-गाइडेड मूवमेंट रणनीति

विभिन्न लंबाई (विभिन्न सेंट्रॉयड्स की संख्या) वाले जुगनुओं के लिए मूवमेंट रणनीति एक प्रमुख नवाचार है।

मानक FA: जुगनू दूरी के आधार पर चमकीले (बेहतर) जुगनुओं की ओर बढ़ते हैं।
प्रस्तावित FA: जब कम सेंट्रॉयड्स वाला एक जुगनू अधिक सेंट्रॉयड्स वाले फिटर (fitter) जुगनू की ओर बढ़ता है, तो एल्गोरिदम स्रोत जुगनू के प्रत्येक सेंट्रॉइड के लिए लक्ष्य जुगनू में निकटतम सेंट्रॉइड की पहचान करता है। इसके बाद मूवमेंट की गणना एक संशोधित आकर्षण सूत्र का उपयोग करके की जाती है:
$\text{नया सेंट्रॉइड स्थान} = (1 - \beta) \times \text{वर्तमान सेंट्रॉइड} + \beta \times \text{निकटतम लक्ष्य सेंट्रॉइड} + \alpha \times \text{यादृच्छिकता (Randomness)}$
डायनेमिक K एडजस्टमेंट: मूवमेंट के दौरान, एल्गोरिदम पड़ोसी जुगनुओं की सापेक्ष फिटनेस और निकटता के आधार पर संभाव्यता (probabilistically) के साथ सेंट्रॉयड्स को जोड़ता या हटाता है, जिससे झुंड (swarm) क्लस्टरों की इष्टतम संख्या पर स्वतः अभिसरण (converge) कर पाता है।

2.3. मल्टी-ऑब्जेक्टिव फिटनेस फंक्शन

लेखक एक नवीन फिटनेस फंक्शन पेश करते हैं जो तीन उद्देश्यों को संतुलित करता है, जिन्हें समान योगदान सुनिश्चित करने के लिए सामान्यीकृत (normalized) किया गया है:
$\text{फिटनेस} = \alpha \cdot \frac{\text{कॉम्पैक्टनेस}}{\text{अधिकतम कॉम्पैक्टनेस}} + \beta \cdot \frac{\text{सेपरेशन}}{\text{अधिकतम सेपरेशन}} + \gamma \cdot \frac{\text{कुल TSP पेनल्टी}}{\text{अधिकतम TSP पेनल्टी}}$

कॉम्पक्टनेस (Compactness): डेटा बिंदुओं और उनके क्लस्टर सेंट्रॉयड्स के बीच औसत दूरी को कम करता है (इंट्रा-क्लस्टर एकजुटता)।
सेपरेशन (Separation): क्लस्टर सेंट्रॉयड्स के बीच औसत दूरी को अधिकतम करता है (इंटर-क्लस्टर विशिष्टता)।
TSP पेनल्टी: यह एक नवीन घटक है जो ट्रैवलिंग सेल्समैन प्रॉब्लम (TSP) पर आधारित है। यह क्लस्टर के भीतर सभी बिंदुओं पर जाने के लिए आवश्यक ट्रैवर्सल दूरी की गणना करता है। यह पद उन क्लस्टरों को दंडित करता है जो बिखरे हुए या अनियमित स्थानिक व्यवस्था वाले होते हैं, जिससे "नेविगेशन-फ्रेंडली" क्लस्टर को बढ़ावा मिलता है। इसमें बहुत छोटे क्लस्टरों के लिए एक लॉगरिदमिक पेनल्टी भी शामिल है ताकि अर्थहीन सूक्ष्म-क्लस्टरों (micro-clusters) के निर्माण को रोका जा सके।

3. मुख्य योगदान

स्वचालित K अनुमान: एल्गोरिदम $K$ को पूर्व-निर्दिष्ट करने की आवश्यकता को समाप्त करता है। इसके बजाय, यह एक व्यवहार्य सीमा ( $K_{min}$ से $K_{max}$ ) स्वीकार करता है और फिटनेस लैंडस्केप के आधार पर क्लस्टरों की इष्टतम संख्या खोजने के लिए जनसंख्या को गतिशील रूप से विकसित करता है।
सेंट्रॉइड-आधारित मूवमेंट: विभिन्न लंबाई (विभिन्न $K$ मान) वाले जुगनुओं को संभालने वाली एक मूवमेंट रणनीति का परिचय क्लस्टर गणना और सेंट्रॉइड स्थितियों के समवर्ती अनुकूलन की अनुमति देता है।
नेविगेशन-अवेयर क्लस्टरिंग: फिटनेस फंक्शन में TSP-आधारित पेनल्टी को एकीकृत करके, यह विधि स्थानिक सामंजस्य और पथ दक्षता के लिए स्पष्ट रूप से अनुकूलित करती है, जो क्लस्टरिंग साहित्य में एक विशिष्ट अंतर को संबोधित करती है जहाँ नेविगेशन बाधाओं को अक्सर अनदेखा किया जाता है।
आरंभीकरण के प्रति मजबूती: फायरफ्लाई एल्गोरिदम की स्टोकेस्टिक प्रकृति और मल्टी-ऑब्जेक्टिव फिटनेस लैंडस्केप का उपयोग करके, यह विधि K-Means की तुलना में प्रारंभिक पैरामीटर सेटिंग्स के प्रति संवेदनशीलता को कम करती है।

4. प्रयोगात्मक परिणाम

प्रस्तावित एल्गोरिदम का मूल्यांकन दो 2D डेटासेट्स पर किया गया जो रोबोटिक सेंसर नेटवर्क फील्ड का प्रतिनिधित्व करते हैं: एक 80 निर्देशांकों के साथ और दूसरा 1,250 निर्देशांकों के साथ।

K-Means (निश्चित K) के साथ तुलना: जब $K$ निश्चित था, तो फायरफ्लाई एल्गोरिदम ने K-Means के तुलनीय WCSS (Within-Cluster Sum of Squares) मान प्राप्त किए, जिससे पता चलता कि मेटा-ह्यूरिस्टिक दृष्टिकोण लचीलेपन के लिए गुणवत्ता से समझौता नहीं करता है।
ऑटोमैटिक क्लस्टरिंग प्रदर्शन:
- डेटासेट 1 (80 बिंदु): एल्गोरिदम कई रन में लगातार $K=4$ पर अभिसरित हुआ, जिसमें फिटनेस मानों में कम भिन्नता देखी गई। पहचाने गए सेंट्रॉयड्स स्थिर थे।
- डेटासेट 2 (1,250 बिंदु): एल्गोरिदम कई रन में $K=3$ या $K=4$ पर अभिसरित हुआ। हालांकि एल्गोरिदम की स्टोकेस्टिक प्रकृति के कारण WCSS मानों में कुछ उतार-चढ़ाव दिखा, लेकिन समाधान एक सुसंगत परिमाण सीमा के भीतर रहे, जो मजबूती का संकेत देते हैं।
नेविगेशन दक्षता: FA द्वारा उत्पन्न क्लस्टरों का मूल्यांकन प्रत्येक क्लस्टर के भीतर बिंदुओं पर जाने के लिए सबसे छोटे पथ की गणना करने के लिए एक एंट कॉलोनी सिस्टम (ACS) का उपयोग करके किया गया।
- डेटासेट 1: FA क्लस्टरों ने ~148.33 का कुल पथ दूरी परिणाम दिया, जबकि K-Means के लिए यह ~159.99 था।
- डेटासेट 2: FA क्लस्टरों ने ~1,793 का कुल पथ दूरी परिणाम दिया, जबकि K-Means के लिए यह ~1,931 था।
- परिणाम दर्शाते हैं कि FA-जनित क्लस्टर काफी छोटे नेविगेशन पथ प्रदान करते हैं, जो फिटनेस फंक्शन में TSP पेनल्टी की प्रभावकारिता को प्रमाणित करते हैं।

5. महत्व और दावे

शोध पत्र का दावा है कि प्रस्तावित सेंट्रॉइड-गाइडेड फायरफ्लाई ऑप्टिमाइज़ेशन स्थानिक और नेविगेशन-क्रिटिकल अनुप्रयोगों के लिए पारंपरिक क्लस्टरिंग का एक मजबूत विकल्प प्रदान करता है। इसका महत्व इस बात में निहित है:

NP-Hard क्लस्टरिंग को हल करना: यह क्लस्टरिंग की NP-hard प्रकृति को एक मेटा-ह्यूरिस्टिक दृष्टिकोण का उपयोग करके प्रभावी ढंग से संभालता है जो ग्रेडिएंट-आधारित या नियतात्मक (deterministic) विधियों की तुलना में स्थानीय इष्टतम (local optima) से बेहतर तरीके से बचता है।
अनुप्रयोग-विशिष्ट अनुकूलन: सामान्य क्लस्टरिंग के विपरीत, यह विधि उन परिदृश्यों के लिए तैयार की गई है जहाँ बिंदुओं के समूह बनाने के बजाय बिंदुओं पर जाने का क्रम महत्वपूर्ण होता है (जैसे, रोबोटिक गश्त, सेंसर डेटा एकत्रीकरण)।
अनुकूलन क्षमता: $K$ को स्वचालित रूप से निर्धारित करने की क्षमता इस एल्गोरिदम को उन गतिशील वातावरणों के लिए उपयुक्त बनाती है जहाँ विशिष्ट क्षेत्रों की संख्या अज्ञात होती है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह विधि आशाजनक है, भविष्य के कार्यों में स्व-अनुकूली पैरामीटर ट्यूनिंग तंत्र विकसित करने और वर्तमान 2D दायरे से परे उच्च-विमीयता वाले डेटासेट्स पर परीक्षण करने की आवश्यकता है। अध्ययन मध्यम स्तर का है, जो यह स्वीकार करता है कि हालांकि विशिष्ट मेट्रिक्स के लिए परिणाम K-Means की तुलना में बेहतर हैं, एल्गोरिदम की स्टोकेस्टिक प्रकृति रन के दौरान परिणामों में कुछ भिन्नता लाती है।