💻 computer science

A Polynomial-Decay and Pinhole-Imaging Whale Optimization Algorithm for UAV Relay Communication Deployment

यह शोध पत्र PWOA का प्रस्ताव करता है, जो एक नवीन व्हेल ऑप्टिमाइज़ेशन एल्गोरिदम है जिसे गुड नोड्स सेट इनिशियलाइज़ेशन, एक पॉलिनॉमियल-डिके कन्वर्जेंस शेड्यूल और एक पिनहोल-इमेजिंग अपोजिशन-बेस्ड लर्निंग मैकेनिज्म के साथ उन्नत किया गया है, ताकि समाधान की गुणवत्ता, स्थिरता और अभिसरण गति में मौजूदा एल्गोरिदम से बेहतर प्रदर्शन करके UAV रिले स्थिति, ऊंचाई, शक्ति और बैंडविड्थ के संयुक्त अनुकूलन की गैर-उत्तल (non-convex), प्रतिबंधित समस्या को प्रभावी ढंग से हल किया जा सके।

मूल लेखक: Zhenhong Peng, Junhao Wei, Baili Lu, Yanxiao Li, Yifu Zhao, Haochen Li, Dexing Yao, Xu Yang, Yapeng Wang

प्रकाशित 2026-06-12

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhenhong Peng, Junhao Wei, Baili Lu, Yanxiao Li, Yifu Zhao, Haochen Li, Dexing Yao, Xu Yang, Yapeng Wang

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 ड्रोन (एक UAV) का उपयोग करके आकाश में एक अस्थायी वाई-फाई टॉवर स्थापित करने की कोशिश कर रहे हैं ताकि ज़मीन पर मौजूद दो लोगों को आपस में बात करने में मदद मिल सके। यह केवल ड्रोन को बीच में उड़ाने के बारे में नहीं है; आपको यह भी तय करना होगा कि इसे कहाँ उड़ना चाहिए (बाएँ/दाएँ, आगे/पीछे), कितनी ऊँचाई पर, इसके सिग्नल की आवाज़ (शक्ति) कितनी होनी चाहिए, और चैनल कितना चौड़ा होना चाहिए।

समस्या यह है कि नियम बहुत अधिक हैं। ड्रोन बहुत नीचे नहीं उड़ सकता (सुरक्षा), बहुत ऊँचा नहीं उड़ सकता (ऊर्जा), और बहुत अधिक शक्ति का उपयोग भी नहीं कर सकता। यदि आप गणित गलत करते हैं, तो कनेक्शन विफल हो जाएगा। सटीक सेटिंग खोजना एक विशाल, धुंधले समुद्र में छिपी हुई पानी के नीचे की पहाड़ियों और घाटियों के बीच सबसे गहरे बिंदु को खोजने जैसा है। यदि आप केवल अंदाज़ा लगाते हैं, तो आप एक उथले गड्ढे (एक "लोकल ऑप्टिमम") में फंस सकते हैं और यह सोच सकते हैं कि यही सबसे गहरा स्थान है, जबकि असली गहरा समुद्र कुछ मील दूर ही हो सकता है।

यह शोध पत्र एक नई विधि पेश करता है जिसे PWOA (पॉलीनोमियल-डिके और पिनहोल-इमेजिंग व्हेल ऑप्टिमाइज़ेशन एल्गोरिदम) कहा जाता है, जो इस पहेली को हल करने के लिए है। यह हंपबैक व्हेल के शिकार करने के तरीके पर आधारित है, लेकिन लेखकों ने इसे स्मार्ट बनाने और इसमें फंसने से बचने के लिए तीन "सुपरपावर्स" जोड़ी हैं।

PWOA कैसे काम करता है, यहाँ सरल उपमाओं के साथ समझाया गया है:

1. शुरुआती रेखा: "गुड नोड्स सेट" (स्मार्ट ग्रिड)

समस्या: आमतौर पर, जब आप खोज शुरू करते हैं, तो आप अपने "व्हेल्स" (खोज एजेंटों) को बेतरतीब ढंग से बिखेर देते हैं। कल्पना कीजिए कि आप आँखों पर पट्टी बांधकर बोर्ड पर 30 डार्ट फेंक रहे हैं। आप बोर्ड के एक कोने में 10 डार्ट फेंक सकते हैं और बाकी हिस्से में एक भी नहीं। इससे बड़े क्षेत्र अनछुए रह जाते हैं।
समाधान: PWOA "गुड नोड्स सेट" का उपयोग करता है। डार्ट्स को अंधेरे में फेंकने के बजाय, यह पहले उन्हें एक सटीक, समान रूप से दूरी वाले ग्रिड में व्यवस्थित करता है, और फिर उन्हें एक हल्का सा, यादृच्छिक (रैंडम) झटका देता है।
उपमा: इसे एक बगीचा लगाने के बारे में सोचें। बीजों को बेतरतीब ढंग से बिखेरने के (जहाँ वे एक जगह जमा हो सकते हैं) के बजाय, आप उन्हें सीधी, समान रूप से दूरी वाली पंक्तियों में लगाते हैं। यह सुनिश्चित करता है कि शुरुआत से ही हर हिस्से की जाँच की जाए।

2. खोज रणनीति: "पॉलीनोमियल डिके" (धीमा होना)

समस्या: मानक व्हेल एल्गोरिदम बहुत अधिक खोजबीन (एक्सप्लोरिंग) से शुरू होते हैं, लेकिन वे बहुत जल्दी "काम पूरा करने" (एक्सप्लॉइटिंग) की ओर बढ़ जाते हैं। यह एक ऐसे जासूस की तरह है जो दिन का आधा हिस्सा हर जगह तलाश करने में बिताता है, लेकिन फिर यह सोचकर कि संदिग्ध वहीं है, वह पूरे दिन केवल सोफे के नीचे देखना तय कर लेता है।
समाधान: PWOA इस गति को बदल देता है जिस गति से व्हेल खोजबीन बंद करती है और ध्यान केंद्रित करना शुरू करती है। यह एक "पॉलीनोमियल शेड्यूल" का उपयोग करता है।
उपमा: एक कार की कल्पना करें जो अपनी मंजिल की ओर जा रही है। एक सामान्य एल्गोरिदम आधे रास्ते में ही ब्रेक लगा देता है। PWOA यात्रा के पहले 70% हिस्से तक पूरी गति से चलता है (पूरे मानचित्र की खोज करता है), और फिर अंतिम मंजिल का सावधानीपूर्वक निरीक्षण करने के लिए धीरे-धीरे धीमा हो जाता है। यह सुनिश्चित करता है कि वे बहुत जल्दी आलसी होने के कारण सबसे अच्छी जगह को मिस न कर दें।

3. बचाव योजना: "पिनहोल इमेजिंग" (दर्पण का कमाल)

समस्या: कभी-कभी, एक अच्छे प्लान के साथ भी, व्हेल एक "लोकल ऑप्टिमम" में फंस सकती है—एक छोटा सा गड्ढा जो नीचे का हिस्सा दिखता तो है, लेकिन वह असली तल नहीं है। वे इसके चारों ओर चक्कर लगाते रहते हैं, यह सोचकर कि वे काम पूरा कर चुके हैं।
समाधान: PWOA में एक "स्टैग्नेशन काउंटर" होता है। यदि सबसे अच्छी व्हेल 15 चरणों तक सुधार नहीं कर पाती है, तो एल्गोरिदम एक आपातकालीन बचाव शुरू करता है। यह "पिनहोल-इमेजिंग अपोजिशन-बेस्ड लर्निंग" का उपयोग करता है।
उपमा: कल्पना कीजिए कि सबसे अच्छी व्हेल एक छोटी पिनहोल कैमरा के सामने खड़ी है। एल्गोरिदम उस पिनहोल के माध्यम से व्हेल की स्थिति की एक "दर्पण छवि" (मिरर इमेज) लेता है।

शुरुआत में: दर्पण दूर होता है, जिससे मानचित्र के बिल्कुल दूसरे हिस्से में एक बड़ी छलांग लगती है (जाल से बचने के लिए एक लंबी छलांग)।
अंत में: दर्पण पास होता है, जिससे आसपास के परिवेश की जांच करने के लिए एक छोटी, सावधानीपूर्ण छलांग लगती है।
यदि यह "मिरर व्हेल" बेहतर स्थान पाती है, तो वह पुराने लीडर की जगह ले लेती है। यह ऐसा है जैसे कहना, "यदि हम आगे नहीं बढ़ पा रहे हैं, तो आइए समस्या को दूसरे कोण से देखें।"

परिणाम

लेखकों ने इस नए "सुपर व्हेल" का परीक्षण ड्रोन की समस्या पर 30 बार तीन अन्य तरीकों (मानक WOA, SCA, और IPSO) के विरुद्ध किया।

बेहतर सटीकता: PWOA ने अन्य सभी की तुलना में अधिक बार सबसे अच्छा समाधान खोजा।
अधिक विश्वसनीय: यह केवल एक बार भाग्यशाली नहीं हुआ; इसने हर बार अच्छे परिणाम दिए (कम "स्टैंडर्ड डेविएशन")।
तेज़: इसने अन्य तरीकों की तुलना में समाधान तेजी से खोजा।

संक्षेप में, PWOA व्हेल एल्गोरिदम का एक अधिक स्मार्ट और अनुशासित संस्करण है। यह शुरुआत में बेहतर तरीके से फैलता है, ध्यान केंद्रित करने से पहले लंबे समय तक खोजबीन करता है, और फंस जाने पर बचने के लिए एक चतुर दर्पण तकनीक का उपयोग करता है। यह इसे सबसे अच्छा इंटरनेट कनेक्शन देने के लिए ड्रोन को ठीक कहाँ और कैसे उड़ाना है, यह पता लगाने में बहुत बेहतर बनाता है।

तकनीकी सारांश: UAV रिले संचार परिनियोजन के लिए एक पॉलिनोमियल-डिके और पिनहोल-इमेजिंग व्हेल ऑप्टिमाइज़ेशन एल्गोरिदम

समस्या विवरण
यह शोध पत्र UAV (अनमैन्ड एरियल व्हीकल) रिले परिनियोजन के संयुक्त अनुकूलन (joint optimization) को संबोधित करता है, जो आपदा राहत और सामरिक संचार जैसे परिदृश्यों में लचीला, ऑन-डिमांड वायरलेस कवरेज प्रदान करने के लिए एक महत्वपूर्ण कार्य है। इसका उद्देश्य UAV की 3D स्थिति (क्षैतिज निर्देशांक $x, y$ और ऊंचाई $h$ ), ट्रांसमिट पावर ( $p_{tx}$ ), और बैंडविड्थ ( $B$ ) को एक साथ निर्धारित करना है। यह एक गैर-उत्तल (non-convex), अत्यधिक प्रतिबंधित ब्लैक-बॉक्स अनुकूलन समस्या है। परिनियोजन को पांच विशिष्ट असमानता बाधाओं (inequality constraints) को पूरा करना चाहिए: न्यूनतम शैनन क्षमता, ऊंचाई के सापेक्ष लाइन-ऑफ-साइट क्लीयरेंस, एक पावर-बैंडविड्थ बजट, और दो ग्राउंड नोड्स के लिए क्षैतिज सीमाएं। लक्ष्य एक सेवा लागत फलन (सर्विस कॉस्ट फंक्शन) को कम करना है (जो पावर, ऊंचाई और बैंडविड्थ को ध्यान में रखता है) और क्षमता को अधिकतम करना है, जिसे आमतौर पर एक क्वाड्रेटिक पेनल्टी फंक्शन के माध्यम से प्रबंधित किया जाता है।

कार्यप्रणाली: PWOA एल्गोरिदम
लेखक एक 'पॉलिनोमियल-डिके और पिनहोल-इमेजिंग व्हेल ऑप्टिमाइज़ेशन एल्गोरिदम' (PWOA) का प्रस्ताव करते हैं। यह केवल वेरिएंट्स का एक ढीला संचय नहीं है, बल्कि PWOA को एक 'रोल-कपल्ड ऑप्टिमाइज़र' के रूप में डिज़ाइन किया गया है जहाँ विशिष्ट ऑपरेटर्स मानक व्हेल ऑप्टिमाइज़ेशन एल्गोरिदम (WOA) की विशिष्ट विफलताओं को संबोधित करते हैं। कार्यप्रणाली तीन पूरक सुधारों को एकीकृत करती है:

गुड नोड्स सेट (GNS) इनिशियलाइजेशन:
रैंडम इनिशियलाइजेशन के कारण होने वाले असमान कवरेज और क्लम्पिंग (clumping) का मुकाबला करने के लिए—जो विशेष रूप से संकीर्ण व्यवहार्य क्षेत्रों (feasible regions) में समस्याग्रस्त है—लेखक एक नियतात्मक (deterministic) GNS इनिशियलाइजेशन पेश करते हैं। यह विधि विविधता बनाए रखने के लिए एक छोटे जिटर (jitter) के साथ खोज स्थान (search space) में प्रारंभिक आबादी को समान रूप से फैलाती है। यह स्यूडो-रैंडम सैंपलिंग की तुलना में बेहतर स्पेस-फिलिंग गुणों को सुनिश्चित करता है, जिससे झुंड (swarm) के लिए अधिक संतुलित शुरुआती बिंदु प्राप्त होता है।
कन्वर्जेंस फैक्टर ( $a$ ) का पॉलिनोमियल नॉनलीनर डिके:
मानक WOA कन्वर्जेंस फैक्टर $a$ के लिए एक लीनियर डिके का उपयोग करता है, जो अक्सर समयपूर्व एक्सप्लोइटेशन (premature exploitation) को मजबूर करता है। PWOA इसे एक पॉलिनोमियल नॉनलीनर शेड्यूल ( $a(t)$ ) से बदल देता है जहाँ घातांक $\mu > 1$ है। यह डिज़ाइन पुनरावृत्तियों (iterations) के पहले आधे भाग के दौरान अन्वेषण चरण (exploration phase) को लंबा खींचता है (बड़े $|A|$ मानों को बनाए रखते हुए) और दूसरे आधे भाग में शोषण चरण (exploitation phase) को तीव्र करता है (तेजी से घटता हुआ $a$ )। यह अनुकूलित शेड्यूलिंग खोज व्यवहार को समस्या के लैंडस्केप के साथ संरेखित करती है, जिससे पर्याप्त वैश्विक अन्वेषण होने तक स्थानीय खोज (local search) में संक्रमण को विलंबित किया जाता है।
एलिट लोकल सर्च के साथ स्टैग्नेशन-ट्रिगर्ड पिनहोल-इमेजिंग अपोजिशन-बेस्ड लर्निंग (POBL):
खोज में अनावश्यक व्यवधान उत्पन्न किए बिना स्थानीय इष्टतम (local optima) से बचने के लिए, PWOA एक सशर्त रिकवरी तंत्र का उपयोग करता है जो केवल तभी सक्रिय होता है जब ग्लोबल बेस्ट स्कोर स्थिर (stagnate) हो जाता है (सीमा $\sigma_{max} = 15$ से अधिक)।

एलिट गॉसियन लोकल सर्च: प्रत्येक पुनरावृत्ति पर, एक घटते हुए गॉसियन स्टेप का उपयोग करके वर्तमान लीडर ( $X^*$ ) के आसपास एक स्थानीय खोज की जाती है।
पिनहोल-इमेजिंग POBL: स्थिरीकरण (stagnation) होने पर, लीडर पर एक पिनहोल-इमेजिंग ट्रांसफॉर्मेशन लागू किया जाता है। खोज स्थान का केंद्र एक "पिनहोल" के रूप में कार्य करता है, जो लीडर को प्रतिबिंबित (reflect) करके एक कैंडिडेट सॉल्यूशन बनाता है। आवर्धन कारक (magnification factor) $k(t)$ अनुकूलनीय है: यह शुरुआती पुनरावृत्तियों में छोटा होता है ताकि स्थानीय मिनिमा से बचने के लिए आक्रामक लंबी-दूरी की छलांग लगाने की अनुमति मिले, और बाद के चरणों में बड़ा होता है ताकि उम्मीदवारों को खोज स्थान के सेंट्रॉइड के करीब मैप किया जा सके, जिससे नियंत्रित विविधीकरण (diversification) सुनिश्चित हो सके। परिणामी कैंडिडेट को आबादी के सबसे खराब व्यक्तिगत (worst individual) में इंजेक्ट किया जाता है ताकि स्थिरीकरण को तोड़ा जा सके।

प्रमुख योगदान
लेखक तीन प्राथमिक योगदानों को रेखांकित करते हैं:

समस्या सूत्रीकरण (Problem Formulation): पांच असमानता बाधाओं और एक क्वाड्रेटिक पेनल्टी फंक्शन को शामिल करने वाला एक कठोर पांच-आयामी संकुचित UAV रिले परिनियोजन मॉडल।
एल्गोरिदम डिज़ाइन: PWOA का विकास, जो अनूठे रूप से GNS इनिशियलाइजेशन, पॉलिनोमियल नॉनलीनर डिके, और एलिट गॉसियन लोकल सर्च के साथ स्टैग्नेशन-ट्रिगर्ड POBL ऑपरेटर को जोड़ता है।
अनुभवजन्य सत्यापन (Empirical Validation): 30 स्वतंत्र रन पर तीन बेसलाइन्स (मानक WOA, साइन कोसाइन एल्गोरिदम (SCA), और इम्प्रूव्ड पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (IPSO)) के विरुद्ध एक व्यापक मूल्यांकन।

प्रायोगिक परिणाम
प्रयोग $N = 30$ की जनसंख्या आकार और 500 पुनरावृत्तियों के अधिकतम मान के साथ किए गए थे। परिणाम दर्शाते हैं कि PWOA सभी मेट्रिक्स में सभी बेसलाइन्स से बेहतर प्रदर्शन करता है:

सटीकता और विश्वसनीयता: PWOA ने एक साथ सबसे कम बेस्ट, वर्स्ट, मीन और स्टैंडर्ड डेविएशन (Std) मान प्राप्त किए।
प्रदर्शन लाभ: बेसलाइन्स की तुलना में, PWOA ने मीन फिटनेस को क्रमशः 1.4% (SCA के मुकाबले), 2.9% (WOA के मुकाबले), और 18.5% (IPSO के मुकाबले) कम किया। इसने स्टैंडर्ड डेविएशन को 15-87% तक कम कर दिया, जो काफी उच्च स्थिरता और विश्वसनीयता को दर्शाता है।
अभिसरण गति (Convergence Speed): PWOA ने सबसे तेज़ औसत अभिसरण प्रदर्शित किया, जो पहले 30 पुनरावृत्तियों के भीतर WOA वक्र से नीचे गिर गया और शेष रन के लिए सबसे कम फिटनेस बनाए रखी। इसके विपरीत, SCA ने प्रारंभिक स्थिरीकरण दिखाया, और IPSO अपने ऑपरेटर्स के कारण झुंड को शुरुआती दौर में व्यवहार्य क्षेत्र से बहुत दूर धकेलने के कारण सबसे धीमा रहा।

महत्ता और दावे
लेखक का दावा है कि PWOC, संकुचित, गैर-उत्तल वातावरण में मानक मेटा-ह्यूरिस्टिक्स की विशिष्ट सीमाओं को संबोधित करके UAV परिनियोजन के लिए स्वार्म इंटेलिजेंस में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। लेखक इस बात पर जोर देते हैं कि एल्गोरिदम की सफलता इसके "कवरेज-ट्रांजिशन-रिकवरी" श्रृंखला से आती है: GNS प्रारंभिक कवरेज सुनिश्चित करता है, पॉलिनोमियल डिके अन्वेषण-शोषण संक्रमण को प्रबंधित करता है, और स्टैग्नेशन-ट्रिगर्ड POBL ट्रैप हुए लीडर्स के लिए एक लक्षित रिकवरी तंत्र प्रदान करता है।

इस कार्य की महत्ता उन "वन-शॉट या सीमित-डेटा" रिले परिनियोजन परिदृश्यों की प्रयोज्यता में निहित है जहाँ ऑब्जेक्टिव फंक्शन सीधे मूल्यांकन योग्य है लेकिन उसे गैर-उत्तल (non-convexify) या डिफरेंशिएट करना कठिन है, जिससे मॉडल-संचालित या लर्निंग-आधारित दृष्टिकोण कम उपयुक्त हो जाते हैं। लेख निष्कर्ष निकालता है कि PWOA एक मजबूत, रोल-कपल्ड ऑप्टिमाइज़र है जो वैश्विक खोज और स्थानीय परिशोधन (local refinement) के बीच प्रभावी ढंग से संतुलन बनाता है, जो जटिल UAV परिनियोजन कार्यों के लिए मौजूदा WOA वेरिएंट और अन्य स्वार्म एल्गोरिदम के लिए एक बेहतर विकल्प प्रदान करता है। भविष्य के कार्य को मल्टी-UAV सहकारी परिनियोजन और ऑनलाइन चैनल अनुमान के साथ क्लोज्ड-लूप परिदृश्यों तक विस्तारित करने के रूप में नोट किया गया है।

1. शुरुआती रेखा: "गुड नोड्स सेट" (स्मार्ट ग्रिड)

2. खोज रणनीति: "पॉलीनोमियल डिके" (धीमा होना)

3. बचाव योजना: "पिनहोल इमेजिंग" (दर्पण का कमाल)

परिणाम

इसी तरह के और पेपर