💻 computer science

ZIVARI-TLBO: A Zero-Cost Inter-Group Evaluated-Elite Relay Mechanism for Teaching-Learning-Based Optimization

ZIVARI-TLBO, टीचिंग-लर्निंग-बेस्ड ऑप्टिमाइजेशन के लिए एक शून्य-लागत, इंटर-ग्रुप एलीट रिले तंत्र है जो बिना किसी अतिरिक्त फंक्शन इवैल्यूएशन की आवश्यकता के कई मानक एल्गोरिदम की तुलना में प्रदर्शन में महत्वपूर्ण सुधार करता है, हालांकि यह सार्वभौमिक स्टेट-ऑफ-द-आर्ट स्थिति या बाधित इंजीनियरिंग समस्याओं में निरंतर प्रभुत्व प्राप्त नहीं करता है।

मूल लेखक: Pezhman Zivari

प्रकाशित 2026-06-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pezhman Zivari

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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ हिंदी अनुवाद दिया गया है।

मुख्य विचार: एक "शून्य-लागत" (Zero-Cost) स्टडी ग्रुप

कल्पना कीजिए कि एक बहुत बड़ा क्लासरूम है जहाँ छात्र एक बहुत कठिन गणित की समस्या को हल करने की कोशिश कर रहे हैं। लक्ष्य सबसे अच्छा उत्तर (सबसे कम संख्या) खोजना है।

इस शोध पत्र में, लेखक, पेज़मैन ज़िवारी (Pezhman Zivari), इन छात्रों को व्यवस्थित करने का एक नया तरीका पेश करते हैं जिसे ZIVARI-TLBO कहा जाता है।

1. सेटअप: छोटे अध्ययन समूह (Small Study Groups)

पूरी क्लास को एक बड़े समूह के रूप में काम करने देने के बजाय, छात्रों को छोटे-छोटे अध्ययन समूहों (study groups) में विभाजित किया गया है।

वे कैसे सीखते हैं: प्रत्येक समूह के भीतर, एक "शिक्षक" (उस समूह का सबसे बुद्धिमान छात्र) और "शिक्षार्थी" (Learners) होते हैं। शिक्षक शिक्षार्थियों को बेहतर बनाने में मदद करने की कोशिश करता है। शिक्षार्थी भी एक-दूसरे की मदद करते हैं।
समस्या: कभी-कभी, एक अध्ययन समूह क्लासरूम के एक कोने में फंस जाता है, एक ऐसे समाधान को देखते हुए जो अच्छा लगता है लेकिन सबसे अच्छा नहीं है। उन्हें पता ही नहीं चलता कि दूसरे समूह ने कहीं बेहतर उत्तर खोज लिया है।

2. नवाचार: "शून्य-लागत" रिले (The "Zero-Cost" Relay)

आमतौर पर, जब समूह जानकारी साझा करते हैं, तो यह एक संदेशवाहक को भेजने जैसा होता है जिसे चलकर दूसरे समूह के काम को देखना पड़ता है और फिर वापस आकर रिपोर्ट करनी पड़ती है। इसमें समय और ऊर्जा लगती है (कंप्यूटर की भाषा में, इसे "ऑब्जेक्टिव-फंक्शन कॉल्स" या "बजट" कहा जाता है)।

ZIVARI-TLBO कुछ अलग करता है। यह एक फिक्स्ड रिंग रिले (Fixed Ring Relay) का उपयोग करता है।

कल्पना कीजिए कि समूह एक घेरे (circle) में बैठे हैं।
हर कुछ मिनटों में, समूह A, समूह B को देखता है।
समूह A अपने सबसे अच्छे छात्र को (जिसने पहले ही समस्या हल कर ली है और जिसका स्कोर ज्ञात है) लेता है।
समूह A उस छात्र को समूह B के सबसे खराब छात्र को बदलने के लिए सीधे सौंप देता है।
जादुई ट्रिक: क्योंकि समूह A पहले से ही अपने सबसे अच्छे छात्र का स्कोर जानता है, उन्हें उसे दोबारा ग्रेड करने के लिए शिक्षक से पूछने की ज़रूरत नहीं है। वे बस छात्र और उसका ग्रेड कार्ड (score card) साथ में सौंप देते हैं।
परिणाम: समूह B को तुरंत एक बेहतर छात्र मिल जाता है, और "क्लास बजट" (अनुमति दी गई ग्रेडिंग सत्रों की संख्या) एक भी अंक कम नहीं होता है। यह शून्य-लागत (Zero-Cost) है।
महत्वपूर्ण अंतर: यह समझना अत्यंत आवश्यक है कि "शून्य-लागत" केवल इस विशिष्ट रिले चरण पर लागू होती है। एल्गोरिदम अभी भी नए समाधानों के लिए सामान्य ग्रेडिंग करता है, और पूरी प्रक्रिया अन्य तरीकों की तरह ही सख्त मूल्यांकन बजट के तहत काम करती है। रिले मुफ़्त है क्योंकि यह पहले से मूल्यांकित उत्कृष्ट समाधान को उसके संग्रहीत फिटनेस मान (fitness value) के साथ कॉपी करता है, जिसके लिए किसी नए ऑब्जेक्टिव-फंक्शन मूल्यांकन की आवश्यकता नहीं होती है।

3. खेल के नियम

पेपर निष्पक्षता के मामले में बहुत सख्त है।

बजट: सभी तरीकों को सबसे अच्छा उत्तर खोजने के लिए ठीक 10,000 ग्रेडिंग सत्र मिलते हैं।
परीक्षण: लेखक ने इसे 8 क्लासिक गणितीय समस्याओं (जैसे "Ackley" या "Rastrigin" फंक्शन) और 5 वास्तविक दुनिया की इंजीनियरिंग पहेलियों (जैसे स्प्रिंग या प्रेशर वेसल डिजाइन करना) पर परखा।
तुलना: उन्होंने ZIVARI-TLBO की तुलना निम्नलिखित से की:
- वही विधि बिना रिले के (यह देखने के लिए कि क्या रिले वास्तव में मदद करता है)।
- अन्य प्रसिद्ध विधियाँ जैसे PSO, DE, GWO, और WOA (इन्हें अन्य प्रसिद्ध अध्ययन तकनीकों के रूप में सोचें)।

4. उन्हें क्या मिला?

रिले काम करता है: जब उन्होंने रिले को चालू और बंद किया, तो रिले वाले संस्करण ने काफी अधिक बार जीत हासिल की। इसने साबित किया कि बिना अतिरिक्त ग्रेडिंग समय खर्च किए "सबसे अच्छे छात्र" को साझा करने से पूरी क्लास तेजी से सीख सकती है।
यह सब कुछ के लिए सर्वश्रेष्ठ नहीं है: अन्य प्रसिद्ध विधियों के साथ बड़ी दौड़ में, ZIVARI-TLBO दूसरे स्थान पर आया।
- प्रथम स्थान: WOA (Whale Optimization Algorithm)।
- द्वितीय स्थान: ZIVARI-TLBO।
- तृतीय स्थान: HGO (Harris Hawks Optimization)।
- ZIVARI-TLBO ने मूल TLBO और कई अन्य को पीछे छोड़ दिया, लेकिन यह व्हेल एल्गोरिदम (Whale algorithm) को नहीं हरा सका।
इंजीनियरिंग परिणाम मिले-जुले हैं: जब इसे प्रेशर वेसल, वेल्डेड बीम, स्प्रिंग, स्पीड रिड्यूसर और थ्री-बार ट्रस जैसी वास्तविक बाधाओं वाली इंजीनियरिंग डिजाइन समस्याओं पर लागू किया गया, तो परिणाम मिले-जुले रहे। कभी-कभी इसने ऐसा समाधान निकाला जो काम करता था; कभी-कभी इसने ऐसा समाधान निकाला जो कागज़ पर तो अच्छा दिखता था लेकिन नियमों को तोड़ रहा था (यानी "infeasible" था)। यह सुझाव देता है कि इस पद्धति को सख्त इंजीनियरिंग बाधाओं को संभालने के लिए बेहतर नियमों की आवश्यकता है।

5. लेखक का ईमानदार निष्कर्ष

लेखक परिणामों को बढ़ा-चढ़ाकर बताने में बहुत सावधान हैं।

यह क्या है: समूहों के लिए अपने सबसे अच्छे विचारों को बिना समय बर्बाद किए साझा करने का एक स्मार्ट, बजट-अनुकूल तरीका।
यह क्या नहीं है: यह कोई "जादुई छड़ी" नहीं है जो दुनिया की हर समस्या को हल कर दे। यह सबसे अच्छी उपलब्ध विधि भी नहीं है (क्योंकि WOA इससे बेहतर था), और इसका परीक्षण अभी तक सबसे कठिन, मानकीकृत उद्योग बेंचमार्क (CEC) पर नहीं किया गया है।

सारांश उपमा (Summary Analogy)

ZIVARI-TLBO को एक स्मार्ट लाइब्रेरी सिस्टम के रूप में सोचें।

अन्य सिस्टमों में एक लाइब्रेरियन को दूसरी शाखा में किताब की नकल करने के लिए जाना पड़ सकता है, जिसमें समय और पैसा लगता है।
ZIVARI-TLBO एक ऐसे सिस्टम की तरह है जहाँ शाखाओं के पास पहले से ही "सर्वश्रेष्ठ पुस्तक" की डिजिटल कॉपी और उसकी रेटिंग मौजूद है। वे बस डिजिटल फाइल को तुरंत बदल देते हैं। इसमें कुछ भी अतिरिक्त खर्च नहीं होता है, लेकिन यह दूसरी शाखा को तुरंत बेहतर होने में मदद करता है।
यह पुराने तरीके की तुलना में एक बड़ा सुधार है, लेकिन यह लाइब्रेरी चलाने का एकमात्र तरीका नहीं है, और कभी-कभी अन्य लाइब्रेरी (जैसे व्हेल एल्गोरिदम) के पास समग्र रूप से बेहतर संग्रह होता है।

तकनीकी सारांश: ZIVARI-TLBO

1. समस्या विवरण (Problem Statement)

टीचिंग-लर्निंग-बेस्ड ऑप्टिमाइज़ेशन (TLBO) एक जनसंख्या-आधारित ऑप्टिमाइज़र है जो शिक्षक और शिक्षार्थी चरणों पर निर्भर करता है। हालांकि TLBO के समूहीकृत (grouped) या बहु-जनसंख्या विस्तार अलग-अलग खोज प्रक्षेपवक्र (search trajectories) को बनाए रख सकते हैं, उनकी प्रभावशीलता इस बात पर निर्भर करती है कि समूहों के बीच सूचना का आदान-प्रदान कैसे किया जाता है। कमजोर विनिमय समूहों को अलग-थलग कर देता है, जबकि आक्रामक स्थानांतरण विविधता को कम कर सकता है। प्रयोगात्मक निष्पक्षता में एक महत्वपूर्ण चुनौती यह है कि कई माइग्रेशन ऑपरेटर नए उम्मीदवार समाधान उत्पन्न करते हैं, जिसके लिए अतिरिक्त ऑब्जेक्टिव-फंक्शन मूल्यांकन (calls) की आवश्यकता होती है। ये कॉल्स सीमित मूल्यांकन बजट (evaluation budget) का उपभोग करते हैं, जिससे सूचना-साझाकरण तंत्र के मूल्य को नए उम्मीदवारों को उत्पन्न करने की लागत से अलग करना कठिन हो जाता है।

यह शोध पत्र एक ऐसे अंतर-समूह सूचना-साझाकरण तंत्र की आवश्यकता को संबोधित करता है जो मूल्यांकन बजट का उपभोग किए बिना खोज गतिशीलता (search dynamics) में सुधार करता है।

2. कार्यप्रणाली: ZIVARI-TLBO

ZIVARI-TLBO (जीरो-कॉस्ट इंटर-ग्रुप इवैलुएटेड-एलीट रिले) एक समूहीकृत TLBO ढांचे (gts-v4-cm-fixed के रूप में स्थिर) का एक विशिष्ट कार्यान्वयन है। यह एक लैंडस्केप-जागरूक जनसंख्या-अवस्था नियंत्रक (landscape-aware population-state controller) में एक फिक्स्ड रिंग इवैलुएटेड-एलीट रिले जोड़कर मौजूदा समूहीकृत TLBO को संवर्धित करता है।

मुख्य तंत्र (Core Mechanism)

टोपोलॉजी (Topology): समूहों को एक निश्चित रिंग ( $g \to (g+1) \mod G$ ) में व्यवस्थित किया गया है।
रिले इवेंट (Relay Event): निर्धारित अंतरालों पर (प्रत्येक समूह युग/epoch में), स्रोत समूह के सबसे अच्छे पहले से मूल्यांकित शिक्षार्थी (elite) की तुलना लक्ष्य समूह के सबसे खराब पात्र शिक्षार्थी (worst eligible learner) से की जाती है।
चयन मानदंड (Selection Criteria):
- लक्ष्य समूह वर्तमान वैश्विक-सर्वश्रेष्ठ स्थिति (global-best position) को बाहर रखता है ताकि अब तक पाए गए सर्वश्रेष्ठ समाधान को ओवरराइट होने से बचाया जा सके।
- यदि स्रोत एलीट का संग्रहीत ऑब्जेक्टिव मान, लक्ष्य के सबसे खराब पात्र शिक्षार्थी से बेहतर है, तो स्रोत समाधान और उसका संग्रहीत ऑब्जेक्टिव मान लक्ष्य को प्रतिस्थापित कर देता है।
- यदि स्रोत बेहतर नहीं है, तो कोई परिवर्तन नहीं होता है।
जीरो-कॉस्ट गुण (Zero-Cost Property): महत्वपूर्ण रूप से, रिले एक पहले से मूल्यांकित समाधान की सटीक प्रति (exact copy) स्थानांतरित करता है। यह न तो नया उम्मीदवार उत्पन्न करता है, न ही कोई विक्षोभ (perturbation), शोर (noise), या इंटरपोलेशन लागू करता है। फलस्वरूप, रिले ऑपरेशन के लिए शून्य अतिरिक्त ऑब्जेक्टिव-फंक्शन कॉल की आवश्यकता होती है। तुलना और प्रतिस्थापन पूरी तरह से पहले से गणना किए गए फिटनेस मानों पर निर्भर करते हैं।

औपचारिक परिभाषा (Formal Definition)

यह विधि जनसंख्या $P(t)$ को $G$ विच्छेदित (disjoint) समूहों में विभाजित करती है। मान लीजिए कि $e^{(t)}_g$ समूह $g$ का एलीट है और $w^{(t)}_b$ समूह $b$ का सबसे खराब पात्र सदस्य है। रिले ऑपरेशन को इस प्रकार परिभाषित किया गया है:
$\text{यदि } f(e^{(t)}_a) < f(w^{(t)}_b): \quad w^{(t)}_b \leftarrow e^{(t)}_a$
चूंकि $f(e^{(t)}_a)$ एक संग्रहीत मान है, इसलिए $\Delta NFE_{relay} = 0$ है।

3. प्रमुख योगदान (Key Contributions)

शोध पत्र स्पष्ट रूप से छह योगदान सूचीबद्ध करता है, जो कठोर प्रयोगात्मक डिजाइन और सांख्यिकीय सावधानी पर जोर देते हैं:

फिक्स्ड रिंग रिले (Fixed Ring Relay): एक तंत्र जो संग्रहीत ऑब्जेक्टिव मानों का उपयोग करके अगले समूह के सबसे खराब पात्र शिक्षार्थियों को स्रोत-समूह के एलीट्स को स्थानांतरित करता है।
बजट ऑडिट (Budget Audit): एक कार्यान्वयन-स्तरीय प्रमाण जो दर्शाता है कि सटीक रिले ऑपरेशन में कोई अतिरिक्त ऑब्जेक्टिव-फंक्शन कॉल नहीं होता है।
डायरेक्ट एब्लेशन (Direct Ablation): समान ग्राउंड-ट्रुथ लैंडस्केप-जागरूक नियंत्रक के विरुद्ध एक नियंत्रित तुलना, जिसमें रिले के बिना समान सीड (seeds) और समान बजट का उपयोग किया गया है।
बहुआयामी तुलना (Multidimensional Comparison): आयाम 10, 30, 50, और 100 में TLBO, MCTLBO, DE, PSO, GWO, WOA, और HHO के विरुद्ध मूल्यांकन।
सांख्यिकीय विश्लेषण (Statistical Analysis): पेयर्ड विल्कोक्सन साइन-रैंक टेस्ट (paired Wilcoxon signed-rank tests), होल्म एडजस्टमेंट (Holm adjustment), रैंक-बिसिरियल इफेक्ट साइज (rank-biserial effect sizes), और फ्रीडमैन रैंक (Friedman ranks) का उपयोग।
पुनरुत्पादकता (Reproducibility): कच्चे साक्ष्य, मानकीकृत डेटा, स्क्रिप्ट और स्पष्ट दावा सीमाओं वाला एक पैकेज।

4. प्रयोगात्मक परिणाम (Experimental Results)

क्लासिकल बेंचमार्क परिणाम

डायरेक्ट एब्लेशन: रिले के बिना उसी नियंत्रक के विरुद्ध, ZIVARI-TLBO ने सभी आयामों में 728 जीत, 11 टाई और 221 हार हासिल की। रैंक-बिसिरियल इफेक्ट साइज 0.624 था, और होल्म-एडजस्टेड $p$ -वैल्यू $1.411 \times 10^{-61}$ थी। यह पुष्टि करता है कि रिले परीक्षण किए गए प्रोटोकॉल के भीतर प्रदर्शन में सुधार करता है।
बहुआयामी तुलना: आठ एल्गोरिदम की तुलना में:
- WOA ने सर्वश्रेष्ठ औसत रैंक (2.914) प्राप्त की।
- ZIVARI-TLBO दूसरे स्थान (3.382) पर रहा।
- HHO तीसरे स्थान (3.465) पर रहा और होल्म एडजस्टमेंट के बाद ZIVARI-TLBO से महत्वपूर्ण रूप से भिन्न नहीं था।
- ZIVARI-TLBO ने TLBO, MCTLBO, DE, PSO, और GWO से काफी बेहतर प्रदर्शन किया।
- ZIVARI-TLBO, WOA से काफी पीछे रहा।

इंजीनियरिंग डिज़ाइन परिणाम

पांच बाधित इंजीनियरिंग समस्याओं (वेल्डेड बीम, प्रेशर वेसल, आदि) पर एक स्टेटिक क्वाड्रेटिक पेनल्टी का उपयोग करके मूल्यांकन किया गया।
परिणाम मिश्रित और कंस्ट्रेंट हैंडलिंग के प्रति संवेदनशील थे।
ZIVARI-TLBO ने दूसरा सर्वश्रेष्ठ समग्र दंडित रैंक (DE के पीछे) प्राप्त किया।
व्यवहार्यता दर (feasibility rates) समस्या के अनुसार काफी भिन्न थी (जैसे, टेंशन-स्प्रिंग के लिए 30/30 व्यवहार्य, थ्री-बार ट्रस के लिए 0/30)।
डेब-शैली (Deb-style) की व्यवहार्यता-प्रथम विश्लेषण के तहत, ZIVARI-TLBO दूसरे स्थान (5.200) पर रहा, जो DE (4.933) के पीछे है।

5. महत्व और दावे (Significance and Claims)

शोध पत्र अपने महत्व के संबंध में एक संयमित और सीमित (modest and scoped) दृष्टिकोण अपनाता है:

सत्यापित योगदान (Validated Contribution): साक्ष्य इस दावे का समर्थन करते हैं कि एक सीमित, जीरो-कॉस्ट रिले परीक्षण किए गए विशिष्ट समूहीकृत TLBO ढांचे के प्रदर्शन में सकारात्मक योगदान देता है। यह प्रदर्शित करता है कि सूचना साझाकरण बिना मूल्यांकन बजट का उपभोग किए भी हो सकता है।
कोई सार्वभौमिक श्रेष्ठता नहीं (No Universal Superiority): लेखक स्पष्ट रूप से सार्वभौमिक स्टेट-ऑफ-द-आर्ट प्रदर्शन, वैश्विक अभिसरण (global convergence), या इंजीनियरिंग प्रभुत्व के दावों को अस्वीकार करते हैं:
- व्यापक तुलना में ZIVARI-TLBO प्रथम रैंक पर नहीं रहा (WOA प्रथम था)।
- यह HHO से महत्वपूर्ण रूप से बेहतर नहीं है।
- इंजीनियरिंग परिणाम मिश्रित हैं और स्टेटिक-पेनल्टी फॉर्मूलेशन पर निर्भर हैं।
सीमाएँ (Limitations): अध्ययन में CMA-ES, SHADE, L-SHADE, या jSO जैसे आधुनिक स्टेट-ऑफ-द-आर्ट एल्गोरिदम के सत्यापित कार्यान्वयन शामिल नहीं हैं। यह CEC बेंचमार्क सूट को हल करने का दावा नहीं करता है।
निष्कर्ष: प्राथमिक मूल्य एक बजट-संगत सूचना-साझाकरण तंत्र का प्रदर्शन और एब्लेशन के माध्यम से इसके प्रभाव का कठोर अलगाव है। शोध पत्र निष्कर्ष निकालता है कि ऑप्टिमाइज़र के और अधिक संस्करण बनाने के बजाय, अगला उचित कदम स्वतंत्र समीक्षा और आधुनिक बेसलाइन्स तथा सत्यापित CEC कार्यान्वयन के विरुद्ध सत्यापन है।