Feasibility Determination for Subjective Probability Constraints

तकनीकी सारांश: व्यक्तिपरक संभाव्यता बाधाओं के लिए व्यवहार्यता निर्धारण

समस्या विवरण
यह शोध पत्र सिम्युलेटेड विकल्पों के एक परिमित सेट के भीतर व्यवहार्य प्रणालियों (feasible systems) की पहचान करने की समस्या को संबोधित करता है, जहाँ प्रदर्शन माप संभाव्यता बाधाओं के अधीन होते हैं। पारंपरिक रैंकिंग और चयन (R&S) समस्याओं के विपरीत, जो अक्सर सामान्य रूप से वितरित अवलोकनों (normally distributed observations) को मानती हैं और अपेक्षित प्रदर्शन मापों पर ध्यान केंद्रित करती हैं, यह कार्य उन परिदृश्यों पर विचार करता है जहाँ अवलोकन बर्नौली वितरण (Bernoulli distributions) (0 या 1 के परिणाम) का पालन करते हैं। मुख्य चुनौती व्यवहार्यता निर्धारण तब आती है जब निर्णय लेने वाला व्यक्तिपरक बाधाओं (subjective constraints) को लागू करता है, जिसका अर्थ है कि वे प्रत्येक बाधा के लिए एक साथ या क्रमिक रूप से कई थ्रेशोल्ड (threshold) मानों पर विचार करने के इच्छुक हैं।

एक प्रमुख कठिनाई यह है कि संभाव्यता बाधाओं के लिए मानक सांख्यिकीय रूप से वैध प्रक्रियाएं सामान्य रूप से वितरित डेटा के लिए डिज़ाइन की गई हैं। हालांकि इन्हें बैच मीन्स (batch means) का उपयोग करके बर्नौली डेटा के लिए लगभग सामान्यता प्राप्त करने हेतु अनुकूलित किया जा सकता है, लेकिन इस दृष्टिकोण के लिए अक्सर बड़े बैच आकार की आवश्यकता होती है, जिससे निर्णय तक पहुँचने से पहले सिम्युलेशन अवलोकनों की अनावश्यक बर्बादी होती है। इसके अलावा, मौजूदा प्रक्रियाएं आमतौर पर एक ही निश्चित थ्रेशोल्ड सेट को संभालती हैं, जबकि सैन्य संचालन या इन्वेंटरी प्रबंधन जैसे क्षेत्रों में निर्णय लेने वालों को थ्रेशोल्ड की एक सीमा (range) को खोजने की आवश्यकता होती है (उदाहरण के लिए, यदि कोई समाधान नहीं मिलता है तो बाधा को 90% से घटाकर 85% करना)।

कार्यप्रणाली
लेखक एक नई प्रक्रिया, MPB (Multi-pass Bernoulli) प्रस्तावित करते हैं, जिसमें एक सांख्यिकीय रूप से वैध प्रथम-पास प्रक्रिया (BRF) और थ्रेशोल्ड को क्रमिक रूप से जोड़ने के लिए ह्यूरिस्टिक मल्टी-पास विस्तार शामिल हैं।

1. ऑड्स-रेशियो इंडिफरेंस ज़ोन (IZ):
   एक अंतर-आधारित IZ (जो 0 या 1 के करीब संभावनाओं के लिए अव्यावहारिक हो सकता है) या रिलेटिव रिस्क IZ के बजाय, लेखक एक ऑड्स-रेशियो IZ ($\theta > 1$) को अपनाते हैं। यह पैरामीटर एक वांछनीय प्रणाली (वह जो स्पष्ट रूप से बाधा को पूरा करती है) और एक अस्वीकार्य प्रणाली के बीच के "स्लिपेज" (slippage) को परिभाषित करता है। ऑड्स-रेशियो दृष्टिकोण को प्राथमिकता दी जाती है क्योंकि यह चरम सीमाओं (0 या 1) के पास संभावनाओं को बदलने की कठिनाई को ध्यान में रखता है और वेरिएंस अनुमान या सामान्यता धारणाओं की आवश्यकता के बिना रैंडम वॉक मॉडल के उपयोग की अनुमति देता है।

2. डमी वेरिएबल्स के साथ रैंडम वॉक मॉडल:
   प्रक्रिया बर्नौली डेटा को सीधे संसाधित करने के लिए एक सरल रैंडम वॉक मॉडल का उपयोग करती है। यह डमी बर्नौली वेरिएबल्स ($I_{i\ell mn}$) पेश करती है जिनका सफलता की संभावना थ्रेशोल्ड $h$ के बराबर होती है। किसी प्रणाली को व्यवहार्य या अस्वीकार्य घोषित करने का निर्णय देखे गए बर्नौली परिणामों ($Y_{i\ell n}$) और इन डमी वेरिएबल्स के संचयी अंतर पर आधारित होता है। प्रक्रिया तब रुक जाती है जब संचयी योग निरंतरता क्षेत्र (continuation region) $(-H_\ell, H_\ell)$ से बाहर निकल जाता है, जहाँ $H_\ell$ वांछित विश्वास स्तर और ऑड्स-रेशियो पैरामीटर से प्राप्त एक पूर्णांक है। यह वेरिएंस अनुमान के लिए प्रारंभिक नमूना आकार की आवश्यकता या अवलोकनों के बैचिंग की आवश्यकता को समाप्त करता है।

3. व्यक्तिपरक बाधाएं और मल्टी-पास ह्यूरिस्टिक्स:

   • प्रथम पास (BRF): यह सिद्ध किया गया है कि जब सभी थ्रेशोल्ड एक ही पास में परिभाषित किए जाते हैं तो यह प्रक्रिया सांख्यिकीय रूप से वैध है। यह सैंपल मीन्स पर ऊपरी और निचली सीमाओं को बनाए रखकर एक ही पास के भीतर विभिन्न थ्रेशोल्ड के बीच अवलोकनों को पुनर्चक्रित (recycle) करती है।
   • परवर्ती पास (Hueristic): उन निर्णय लेने वालों की सहायता के लिए जो थ्रेशोल्ड को क्रमिक रूप से जोड़ना चाहते हैं (जैसे, यदि कोई समाधान नहीं मिलता है तो बाधा को ढीला करना या यदि कई प्रणालियाँ व्यवहार्य हैं तो बाधा को सख्त करना), लेखक तीन ह्यूरिस्टिक दृष्टिकोण प्रस्तावित करते हैं:
     • $BRF_B$: यह पहले पास के समान ही रैंडम वॉक तर्क का उपयोग करता है लेकिन नए थ्रेशोल्ड की तुलना पिछले पास में स्थापित सीमाओं से करता है।
     • $BRF_N$: यह मानता है कि पहले पास के बाद, सैंपल मीन्स लगभग सामान्य रूप से वितरित होते हैं, जिससे सामान्य डेटा के लिए प्रक्रियाओं के समान व्यवहार्यता जांच संभव होती है।
     • $BRF_{BN}$: यह एक हाइब्रिड दृष्टिकोण है जो $BRF_B$ और $BRF_N$ को जोड़ता है, और जैसे ही दोनों में से कोई भी विधि निष्कर्ष निकालती है, निर्णय लेता है।

प्रमुख योगदान
यह शोध पत्र चार प्राथमिक योगदान देता है:

1. प्रत्यक्ष बर्नौली व्यवहार्यता प्रक्रिया: यह संभाव्यता बाधाओं के साथ व्यवहार्यता निर्धारण के लिए एक प्रक्रिया प्रस्तावित करता है जो सीधे बर्नौली-वितरित अवलोकनों का उपयोग करती है, जिससे बैच मीन्स और सामान्य अनुमानों की अक्षमताओं से बचा जा सके।
2. व्यक्तिपरक बाधाएं: यह व्यक्तिपरक संभाव्यता बाधाओं को शामिल करने के लिए विश्लेषण का विस्तार करता है, जिससे एक ही समय में या क्रमिक रूप से प्रति बाधा कई थ्रेशोल्ड पर विचार करना संभव होता है।
3. सांख्यिकीय वैधता और दक्षता: लेखक प्रथम-पास प्रक्रिया (BRF) की सांख्यिकीय वैधता को सिद्ध करते हैं और अनुभवजन्य रूप से प्रदर्शित करते हैं कि यह मौजूदा RF प्रक्रिया (Zhou et al., 2022) की तुलना में अवलोकनों की संख्या में महत्वपूर्ण बचत प्रदान करती है, जिसे सामान्य डेटा के लिए डिज़ाइन किया गया था और बर्नौली डेटा के लिए अनुकूलित किया गया था।
4. ह्यूरिस्टिक मल्टी-पास प्रक्रियाएं: यह ह्यूरिस्टिक प्रक्रियाएं पेश करता है जो निर्णय लेने वालों को थ्रेशोल्ड को क्रमिक रूप से जोड़ने की अनुमति देती हैं, और प्रयोगों के माध्यम से दिखाते हैं कि ये पसंदीदा थ्रेशोल्ड संयोजनों के संबंध में व्यवहार्य प्रणालियों को कुशलतापूर्वक पहचानने में सक्षम हैं।

प्रायोगिक परिणाम
लेखकों ने प्रस्तावित प्रक्रियाओं का मूल्यांकन करने के लिए व्यापक प्रयोग किए:

• RF के साथ तुलना: सिंगल-पास परिदृश्यों में, BRF ने विभिन्न संभाव्यता मानों और ऑड्स-रेशियो सेटिंग्स में लक्षित सही निर्णय की प्रायिकता (PCD) को लगातार प्राप्त किया। इसके विपरीत, RF प्रक्रिया (बर्नौली डेटा के लिए अनुकूलित) बैच आकार और टॉलरेंस स्तरों के प्रति अत्यधिक संवेदनशील थी। तुलनीय PCD प्राप्त करने के लिए, RF को 400 जितने बड़े बैच आकार की आवश्यकता थी, जिसके परिणामस्वरूप अवलोकन गणना BRF की तुलना में लगभग 1.5 से 9.3 गुना अधिक थी।
• मल्टी-पास दक्षता: ह्यूरिस्टिक मल्टी-पास प्रक्रियाओं (विशेष रूप से MPB$_{BN}$) को सभी थ्रेशोल्ड को शामिल करने वाले सिंगल-पास BRF चलाने की तुलना में काफी अधिक कुशल पाया गया। 100 प्रणालियों के अनुकूलन सेटिंग में, MPB$_{BN}$ ने PCD को बनाए रखते हुए या उसमें सुधार करते हुए BRF द्वारा आवश्यक अवलोकनों का केवल लगभग 6% उपयोग किया।
• इन्वेंटरी अनुप्रयोग: दो संभाव्यता बाधाओं वाले एक वास्तविक $(s, S)$ इन्वेंटरी समस्या में, MPB$_{BN}$ को BRF द्वारा आवश्यक अवलोकनों का लगभग 33% और RF द्वारा आवश्यक अवलोकनों का लगभग 1/13वाँ हिस्सा आवश्यक था, जबकि उच्च सांख्यिकीय वैधता बनाए रखी गई।

महत्व और दावे
यह शोध पत्र दावा करता है कि इसके प्रस्तावित प्रक्रियाएं संभाव्यता बाधाओं के तहत व्यवहार्यता निर्धारण के लिए एक सांख्यिकीय रूप से वैध और अत्यधिक कुशल विकल्प प्रदान करती हैं। ऑड्स-रेशियो IZ और रैंडम वॉक मॉडल का लाभ उठाकर, लेखक वेरिएंस अनुमान और बर्नौली डेटा के बैचिंग से जुड़ी अक्षमताओं को समाप्त करते हैं। व्यक्तिपरक बाधाओं को संभालने की क्षमता—जहाँ निर्णय लेने वाले थ्रेशोल्ड को पुनरावृत्ति (iteratively) से समायोजित करते हैं—सिमुलेशन-आधारित निर्णय लेने के लिए अधिक व्यावहारिक और संसाधन-कुशल दृष्टिकोण की अनुमति देती है। लेखक इस बात पर जोर देते हैं कि हालांकि मल्टी-पास प्रक्रियाएं ह्यूरिस्टिक हैं और सभी क्रमिक परिदृश्यों में कठोर रूप से सांख्यिकीय रूप से वैध होने के लिए प्रमाणित नहीं हैं, फिर भी प्रायोगिक परिणाम संकेत देते हैं कि वे वैधता आवश्यकताओं का उल्लंघन नहीं करते हैं और महत्वपूर्ण कम्प्यूटेशनल बचत प्रदान करते हैं।