💻 computer science

Bayesian Anytime Pareto Set Identification for Multi-Objective Multi-Armed Bandits

यह शोध पत्र टॉप-टू पारेटो फ्रंट थॉम्पसन सैंपलिंग (TTPFTS) को प्रस्तुत करता है, जो मल्टी-ऑब्जेक्टिव मल्टी-आर्म्ड बैंडिट्स के लिए पहला एनीटाइम बेयसियन एल्गोरिदम है जो पारेटो ऑप्टिमल सेट्स की पहचान करता है, और इसकी सैद्धांतिक शुद्धता, अत्याधुनिक विधियों के विरुद्ध बेहतर प्रदर्शन, और लर्निंग प्रोग्रेस की निगरानी के लिए एक नवीन अनसर्टेन्टी क्वांटिफिकेशन मेट्रिक के साथ आणविक खोज (मॉलिक्यूलर डिस्कवरी) में इसकी व्यावहारिक उपयोगिता को प्रदर्शित करता है।

मूल लेखक: Lennert Saerens, Bram Silue, Eleni Litsa, Peter Vrancx, Pieter Libin

प्रकाशित 2026-06-19

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lennert Saerens, Bram Silue, Eleni Litsa, Peter Vrancx, Pieter Libin

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 शेफ हैं जो एक आदर्श रेसिपी बनाने की कोशिश कर रहे हैं। आपके पास हजारों सामग्रियों (जिन्हें "आर्म्स" कहा जाता है) से भरा एक विशाल पेंट्री है। हालाँकि, आप केवल एक सबसे अच्छी सामग्री की तलाश नहीं कर रहे हैं; आप उन बेहतरीन संयोजनों को खोजने की कोशिश कर रहे हैं जो दो परस्पर विरोधी लक्ष्यों के बीच संतुलन बनाते हैं: व्यंजन का स्वाद लाजवाब बनाना (लक्ष्य 1) और उसे स्वास्थ्यवर्धक बनाए रखना (लक्ष्य 2)।

कभी-कभी, ऐसी सामग्री होती है जिसका स्वाद अद्भुत होता है लेकिन वह बहुत अस्वास्थ्यकर होती है। दूसरी ओर, कुछ बहुत ही स्वास्थ्यवर्धक सामग्रियां बेस्वाद हो सकती हैं। यहाँ कोई एक अकेला "विजेता" नहीं है। इसके बजाय, सामग्रियों का एक समूह है जो सबसे अच्छे संभव समझौते (trade-offs) प्रदान करता है। गणित की दुनिया में, इस समूह को पारेटो सेट (Pareto Set) कहा जाता है।

समस्या यह है कि आप ब्रह्मांड की हर एक सामग्री या संयोजन को चख नहीं सकते; इसमें बहुत अधिक समय और पैसा लगेगा। आपको एक स्मार्ट तरीका चाहिए जिससे आप कुछ नमूनों को ले सकें, उनसे सीख सकें, और जल्दी से पता लगा सकें कि कौन सी सामग्रियां आपकी "सर्वश्रेष्ठ समझौता" सूची में शामिल होनी चाहिए।

यह पेपर एक स्मार्ट शेफ TTPFTS (टॉप-टू पारेटो फ्रंट थॉमसन सैंपलिंग) से परिचय कराता है। यह कैसे काम करता है, इसका सरल विवरण यहाँ दिया गया है:

1. समस्या: "एनीटाइम" (Anytime) चुनौती

इस समस्या के अधिकांश पुराने तरीके एक ऐसे छात्र की तरह हैं जो समय सीमा वाले टेस्ट देने जा रहा है। वे अपना उत्तर देने के लिए बिल्कुल आखिरी सेकंड तक इंतजार करते हैं। यदि आप उनसे 5 मिनट के 10 मिनट वाले टेस्ट के दौरान 5वें मिनट में पूछते हैं, "आपको क्या लगता है कि उत्तर क्या है?", तो वे एक बहुत ही खराब अनुमान दे सकते हैं क्योंकि उन्होंने अपनी सारी सोच अंत के लिए बचा ली थी।

यह पेपर एक "एनीटाइम" (Anytime) एल्गोरिदम पेश करता है। इसका अर्थ है कि TTPFTS एक ऐसे शेफ की तरह है जो अपनी बेहतरीन सामग्रियों की सूची को काम करते समय ही लगातार चखता और सुधारता रहता है। किसी भी क्षण, यदि आप पूछते हैं, "आपकी वर्तमान सर्वश्रेष्ठ समझौतों की सूची क्या है?" तो TTPFTS के पास एक ठोस और अपडेटेड उत्तर तैयार होता है।

2. रणनीति: "टॉप-टू" (Top-Two) नृत्य

TTPFTS तय कैसे करता है कि अगली बार क्या चखना है? यह संभावना (बेयसियन थिंकिंग) पर आधारित एक चतुर तकनीक का उपयोग करता है।

कल्पना कीजिए कि शेफ के मन में सामग्रियों के दो समूह हैं:

समूह A (चैंपियंस): वे सामग्रियां जो वर्तमान में सबसे अच्छे समझौतों की तरह दिखती हैं।
समूह B (चैलेंजर्स): वे सामग्रियां जो चैंपियंस के लगभग बराबर हैं लेकिन शायद उन्हें थोड़ा कम आंका गया है।

TTPFTS एक सिक्का उछालता है:

हेड्स (Heads): यह समूह A से एक रैंडम सामग्री चुनता है। यह पुष्टि करता है, "हाँ, ये अभी भी सबसे अच्छी हैं।"
टेल्स (Tails): यह समूह B से एक रैंडम सामग्री चुनता है। यह जांचता है, "रुको, क्या यह 'लगभग' वाली सामग्री वास्तव में हमारी सोच से बेहतर हो सकती है!"

चैंपियंस की पुष्टि करने और चैलेंजर्स का परीक्षण करने के बीच लगातार स्विच करके, शेफ जल्दी से सीख जाता है कि "काफी अच्छा" और "सबसे अच्छा" के बीच की रेखा कहाँ खींची गई है।

3. "कॉन्फिडेंस मीटर" (अनिश्चितता का परिमाणीकरण)

इस पेपर का एक बड़ा नवाचार आत्मविश्वास (confidence) को मापने का एक नया तरीका है।

आमतौर पर, यह जानने के लिए कि आपकी सर्वश्रेष्ठ सामग्रियों की सूची सही है या नहीं, आपको "वास्तविक" उत्तर (ग्राउंड ट्रुथ) जानने की आवश्यकता होती है। लेकिन वास्तविक जीवन में, आप वास्तविक उत्तर नहीं जानते; इसीलिए तो आप प्रयोग कर रहे हैं!

TTPFTS एक कॉन्फिडेंस मीटर पेश करता है। यह देखता है कि शेफ के मन में "चैंपियंस" और "चैलेंजर्स" के बीच कितना ओवरलैप (मेल) है।

उच्च ओवरलैप (High Overlap): शेफ भ्रमित है। "चैंपियंस" और "चैलेंजर्स" बहुत समान दिख रहे हैं। मीटर कहता है, "मैं अभी निश्चित नहीं हूँ, चखना जारी रखें!"
कम ओवरलैप (Low Overlap): "चैंपियंस" स्पष्ट रूप से "चैलेंजर्स" से बेहतर दिख रहे हैं। मीटर कहता है, "मुझे अपनी सूची पर पूरा भरोसा है। मैं अब रुक सकता हूँ।"

यह शेफ को प्रयोग को ठीक उसी समय रोकने की अनुमति देता है जब वह पर्याप्त आश्वस्त हो, जिससे बिना किसी गुप्त "वास्तविक" उत्तर को जाने, समय और पैसा बचाया जा सके।

4. वास्तविक दुनिया का परीक्षण: नई दवाओं की खोज

लेखकों ने इसे केवल नकली गणितीय समस्याओं पर नहीं परखा। उन्होंने इसे एक वास्तविक, विशाल चुनौती पर आजमाया: ड्रग डिस्कवरी (दवा की खोज)।

कल्पना कीजिए कि 94 मिलियन संभावित नई दवा अणुओं (molecules) की एक लाइब्रेरी है। आप उन अणुओं को खोजना चाहते हैं जो बीमारी के विरुद्ध प्रभावी भी हों और मानव शरीर के लिए सुरक्षित भी हों।

पुराना तरीका: हर एक अणु को एक-एक करके चेक करना। इसमें बहुत समय लगता है और भारी खर्च आता है।
रैंडम तरीका: अणुओं को रैंडमली चुनना। आप अच्छे अणुओं को मिस कर सकते हैं।
TTPFTS का तरीका: एल्गोरिदम ने लाइब्रेरी का अन्वेषण किया और बेहतरीन समझौता करने वाले अणुओं को खोज निकाला, जबकि उसने कुल लाइब्रेरी के 0.05% से भी कम हिस्से की जांच की।

इसने उन्हीं बेहतरीन अणुओं को खोज निकाला जिन्हें पूरे 94 मिलियन अणुओं की जांच करके पाया जा सकता था, लेकिन इसने इसे पारंपरिक तरीकों की तुलना में बहुत कम समय में कर दिखाया।

सारांश

यह पेपर TTPFTS को प्रस्तुत करता है, जो कई परस्पर विरोधी लक्ष्यों के लिए निर्णय लेने का एक स्मार्ट और लचीला उपकरण है।

यह एनीटाइम (Anytime) काम करता है, जो आपको अंत में ही नहीं, बल्कि किसी भी क्षण एक अच्छा उत्तर देता है।
यह "टॉप-टू" रणनीति का उपयोग करता है ताकि सर्वोत्तम विकल्पों और उन विकल्पों का कुशलतापूर्वक परीक्षण किया जा सके जो और भी बेहतर हो सकते हैं।
इसमें एक इन-बिल्ट कॉन्फिडेंस मीटर है जो आपको बताता है कि कब रुकना है, जिससे संसाधनों की बचत होती है।
यह ड्रग डिस्कवरी में अविश्वसनीय रूप से प्रभावी साबित हुआ, जिसने पारंपरिक तरीकों की तुलना में बहुत तेज़ी से बेहतरीन अणुओं को खोजा।

संक्षेप में, यह जटिल समस्याओं में "स्वीट स्पॉट" (सही संतुलन) खोजने का एक स्मार्ट, तेज़ और अधिक लचीला तरीका है।

तकनीकी सारांश: मल्टी-ऑब्जेक्टिव मल्टी-आर्म्ड बैंडिट्स के लिए बेयसियन एनीटाइम पारेटो सेट आइडेंटिफिकेशन

समस्या की परिभाषा

यह शोध पत्र मल्टी-ऑब्जेक्टिव मल्टी-आर्म्ड बैंडिट (MOMAB) समस्या, विशेष रूप से पारेटो सेट आइडेंटिफिकेशन (PSI) पर केंद्रित है। मानक सिंगल-ऑब्जेक्टिव बैंडिट समस्याओं के विपरीत, जो संचयी पुरस्कार को अधिकतम करने (रिग्रेट मिनिमाइजेशन) या एक एकल सर्वोत्तम आर्म (arm) की पहचान करने पर केंद्रित होती हैं, MOMAB में कई, संभावित रूप से परस्पर विरोधी उद्देश्यों को एक साथ अनुकूलित करना शामिल है। इस सेटिंग में, कोई भी एक आर्म सभी मानदंडों पर इष्टतम नहीं होता है; इसके बजाय, पारेटो ऑप्टिमल आर्म्स ( $P^\star$ ) का एक सेट मौजूद होता है जो इष्टतम ट्रेड-ऑफ (trade-offs) को दर्शाता है।

विशिष्ट चुनौती एनीटाइम PSI (Anytime PSI) फॉर्मूलेशन है। जबकि मौजूदा साहित्य ने फिक्स्ड-बजट (निश्चित संख्या में नमूनों के बाद त्रुटि को कम करना) और फिक्स्ड-कॉन्फिडेंस (लक्ष्य सटीकता तक पहुँचने के लिए नमूने कम करना) सेटिंग्स को व्यापक रूप से कवर किया है, ऐसे एल्गोरिदम में एक अंतर है जो प्रत्येक अवलोकन के बाद एक वैध, निरंतर अपडेट होने वाले पारेटो सेट अनुमान प्रदान कर सके, जिसमें कोई पूर्व निर्धारित स्टॉपिंग रूल न हो। यह वास्तविक दुनिया के अनुप्रयोगों के लिए महत्वपूर्ण है जहाँ निर्णय लेने वालों को कठोर संसाधन बाधाओं के बजाय विश्वास स्तरों (confidence levels) के आधार पर प्रगति की निगरानी करने और प्रयोगों को गतिशील रूप से समाप्त करने की आवश्यकता होती है।

कार्यप्रणाली: टॉप-टू पारेटो फ्रंट थॉमसन सैंपलिंग (TTPFTS)

लेखक टॉप-टू पारेटो फ्रंट थॉमसन सैंपलिंग (TTPFTS) पेश करते हैं, जो MOMAB PSI समस्या के लिए पहला बेयसियन एनीटाइम एल्गोरिदम है। यह एल्गोरिदम सिंगल-ऑब्जेक्टिव बेस्ट-आर्म आइडेंटिफिकेशन से टॉप-टू थॉमसन सैंपलिंग (TTTS) के सिद्धांतों को मल्टी-ऑब्जेक्टिव डोमेन में विस्तारित करता है।

मुख्य तंत्र

एक प्रेफरेंस वेक्टर के माध्यम से उद्देश्यों को स्कैलराइज (scalarize) करने के बजाय (जो समस्या को सिंगल-ऑजेक्टिव में बदल देगा), TTPFTS सीधे पारेटो फ्रंट्स पर कार्य करता है। प्रत्येक समय चरण $t$ पर:

पोस्टीरियर सैंपलिंग (Posterior Sampling): एल्गोरिदम अपने संबंधित पोस्टीरियर डिस्ट्रीब्यूशन से सभी $K$ आर्म्स के लिए मीन रिवॉर्ड वेक्टर्स $\tilde{\theta}^{(t)}_a$ को सैंपल करता है, जो इतिहास $H(t-1)$ पर आधारित होते हैं।
फ्रंट आइडेंटिफिकेशन (Front Identification): इन सैंपल्स के आधार पर, यह फर्स्ट पारेटो फ्रंट ( $F^\star_1$ ) की पहचान करता है, जिसमें वे आर्म्स शामिल होते हैं जो किसी अन्य सैंपलड आर्म द्वारा डोमिनेटेड (dominated) नहीं होते हैं।
स्टोकेस्टिक सिलेक्शन (Stochastic Selection): एक बर्नौली ट्रायल (Bernoulli trial) जिसकी संभावना $\rho$ $ρ$ है, यह निर्धारित करता है कि किस फ्रंट को एक्सप्लोर करना है:
- $\rho$ की संभावना के साथ: एक आर्म को फर्स्ट फ्रंट ( $F^\star_1$ ) से यादृच्छिक रूप से चुना जाता है। यह उन आर्म्स को सत्यापित करने पर ध्यान केंद्रित करता है जिन्हें वर्तमान में इष्टतम माना जाता है।
- $1-\rho$ की संभावना के साथ: एल्गोरिदम $F^\star_1$ को हटा देता है और शेष आर्म्स से सेकंड पारेटो फ्रंट ( $F^\star_2$ ) की पहचान करता है। फिर एक आर्म को $F^\star_2$ से यादृच्छिक रूप से चुना जाता है। यह सबसे आशाजनक उप-इष्टतम (suboptimal) आर्म्स (चैलेंजर्स) के अन्वेषण को बढ़ावा देता है ताकि यह परीक्षण किया जा सके कि क्या उन्हें कम करके आंका गया था या उनकी उप-इष्टतम स्थिति को पुख्ता किया जा सके।
अपडेट (Update): चयनित आर्म को खींचा (pull) जाता है, रिवॉर्ड देखा जाता है, और इतिहास को अपडेट किया जाता है। एल्गोरिदम हर समय एक रिकमेंडेशन सेट $\hat{P}^\star_t$ (पोस्टीरियर मीन्स का पारेटो सेट) बनाए रखता है।

सैद्धांतिक गारंटी

शोध पत्र एसिम्प्टोटिक करेक्टनेस (थ्योरम 1) का प्रमाण प्रदान करता है। मानक धारणाओं (सीमित आर्म्स, सुसंगत पोस्टीरियर्स, स्ट्रिक्ट पारेटो गैप्स और पर्याप्त अन्वेषण) के तहत, एल्गोरिदम का अनुमान $\hat{P}^\star_t$ , $t \to \infty$ होने पर संभाव्यता 1 के साथ वास्तविक पारेटो सेट $P^\star$ की ओर अभिसरित (converge) होता है। यह प्रमाण लेम्मा 1 पर निर्भर करता है, जो यह स्थापित करता है कि TTPFTS लगभग निश्चित रूप से सभी आर्म्स के अनंत अन्वेषण को सुनिश्चित करता है, जिससे किसी भी आर्म को सैंपलिंग प्रक्रिया से स्थायी रूप से बाहर नहीं किया जा सकता।

प्रमुख योगदान

MOMAB PSI के लिए पहला एनीटाइम बेयसियन एल्गोरिदम: TTPFTS पारेटो सेट आइडेंटिफिकेशन के संबंध में साहित्य के अंतराल को भरता है, जो फिक्स्ड-बजट और फिक्स्ड-कॉन्फिडेंस दृष्टिकोणों के लिए एक लचीला विकल्प प्रदान करता है।
नया अनसर्टेन्टी क्वांटिफिकेशन (UQ) मेट्रिक: लेखक अपने वर्तमान पारेटो प्रेडिक्शन में एल्गोरिदम के विश्वास का अनुमान लगाने के लिए एक ग्राउंड-ट्रुथ-स्वतंत्र मेट्रिक पेश करते हैं। यह मेट्रिक अनुमानित फर्स्ट फ्रंट ( $\hat{P}^\star_1$ $\hat{P}_{1}^{⋆}$ ) और सेकंड फ्रंट ( $\hat{P}^\star_2$ $\hat{P}_{2}^{⋆}$ ) के बीच पोस्टीरियर डेंसिटीज के भट्टचैर्य ओवरलैप (Bhattacharyya overlap) की गणना करता है।
- उच्च ओवरलैप उच्च अनिश्चितता (इष्टतम और उप-इष्टतम आर्म्स के बीच अंतर करने में कठिनाई) को दर्शाता है।
- कम ओवरलैप उच्च विश्वास (फ्रंट्स के बीच स्पष्ट अलगाव) को दर्शाता है।
- यह मेट्रिक पहचान प्रदर्शन के लिए एक रियल-टाइम प्रॉक्सी के रूप में कार्य करता है, जो डायनेमिक स्टॉपिंग क्राइटेरिया को सक्षम बनाता है।
आणविक खोज (Molecular Discovery) में वास्तविक अनुप्रयोग: एल्गोरिदम को एक चुनौतीपूर्ण, अल्ट्रा-लार्ज सिंथेसिस-ऑन-डिमांड मॉलिकुलर लाइब्रेरी सेटिंग (94 मिलियन उम्मीदवार) में मान्य किया गया है, जो परस्पर विरोधी गुणों (स्ट्रक्चरल सिमिलैरिटी और LogP) को अनुकूलित करने वाले अणुओं की पहचान करने में इसकी उपयोगिता को प्रदर्शित करता है।

अनुभवजन्य परिणाम (Empirical Results)

सिंथेटिक बेंचमार्क्स

TTPFTS का मूल्यांकन आठ सिंथेटिक वातावरणों में, जिनमें विभिन्न पारेटो फ्रंट ज्योमेट्री और आयाम थे, फिक्स्ड-बजट एल्गोरिदम (सक्सेसिव रिजेक्ट्स और सक्सेसिव हैल्विंग वेरिएंट्स ऑफ एम्पिरिकल गैप एलिमिनेशन, EGE) के विरुद्ध किया गया था।

प्रदर्शन: TTPFTS ने यूनिफॉर्म सैंपलिंग और EGE-SH एल्गोरिदम को लगातार पछाड़ दिया। इसने सभी वातावरणों में EGE-SR (सबसे मजबूत फिक्स्ड-बजट बेसलाइन) के साथ प्रदर्शन समानता प्राप्त की, बावजूद इसके कि इस पर सख्त एनीटाइम प्रतिबंध था।
स्केलेबिलिटी: बड़े एक्शन स्पेस (जैसे, $K=200$ ) वाले वातावरणों में, TTPFTS ने EGE वेरिएंट्स की तुलना में काफी बेहतर प्रदर्शन किया, जो बताता है कि इसका पोस्टीरियर-ड्रिवन एलोकेशन बड़े पैमाने की समस्याओं में रिजिड गैप-आधारित एलिमिनेशन की तुलना में अधिक प्रभावी है।
मजबूती (Robustness): एल्गोरिदम कमजोर प्रायर धारणाओं (यूनिफॉर्म प्रायर) के साथ भी अच्छा प्रदर्शन करता है।

मॉलिकुलर डिस्कवरी केस स्टडी

94-मिलियन कंपाउंड लाइब्रेरी की खोज में:

दक्षता: TTPFTS ने डेटाबेस के केवल 0.05% का मूल्यांकन करते हुए ग्राउंड-ट्रुथ पारेटो फ्रंट (52 अणु) के साथ सटीक रूप से मेल खाने वाले अणुओं की पहचान की।
तुलना: इसने रैंडम सर्च (जिसने शून्य इष्टतम अणु खोजे) और स्टेट-ऑफ-द-आर्ट एक्टिव लर्निंग मेथड MolPAL दोनों को काफी पीछे छोड़ दिया।
अनसर्टेन्टी कोरिलेशन: प्रस्तावित UQ मेट्रिक ने जैकार्ड मेट्रिक (सटीकता) के साथ एक मजबूत नकारात्मक सहसंबंध दिखाया। जैसे-जैसे एल्गोरिदम अपने पारेटो सेट अनुमान में सुधार करता है, अनसर्टेन्टी मेट्रिक कम होता जाता है, जो इसके उपयोग को कन्वर्जेंस के विश्वसनीय, ग्राउंड-ट्रुथ-फ्री इंडिकेटर के रूप में प्रमाणित करता है।

महत्व और दावे

शोध पत्र दावा करता है कि TTPFTS जटिल, मल्टी-ऑब्जेक्टिव सेटिंग्स में ग्राउंड-ट्रुथ पारेटो फ्रंट के ज्ञान की आवश्यकता के बिना, लर्निंग प्रोग्रेस की निगरानी के लिए एक मजबूत कार्यप्रणाली प्रदान करता है। एक एनीटाइम एक्सप्लोरेशन रणनीति को एक नए अनसर्टेन्टी क्वांटिफिकेशन मेट्रिक के साथ जोड़कर, यह कार्य पारेटो सेट आइडेंटिफिकेशन की समस्या को एक स्टैटिक सैंपलिंग टास्क से एक डायनेमिक डिसीजन-सपोर्ट सिस्टम में बदल देता है।

लेखक इस दृष्टिकोण को निर्णय लेने वालों को निम्नलिखित के लिए सक्षम बनाने पर जोर देते हैं:

यह गतिशील रूप से निर्धारित करना कि पारेटो फ्रंट को पर्याप्त रूप से हल कर लिया गया है ताकि प्रयोग को समाप्त किया जा सके।
कंप्यूटेशनल संसाधनों और डिस्कवरी कॉन्फिडेंस के बीच के ट्रेड-ऑफ को अनुकूलित करना।
ड्रग डिस्कवरी जैसे वास्तविक दुनिया के परिदृश्यों में इन लाभों को लागू करना, जहाँ व्यापक स्क्रीनिंग असंभव है और प्राथमिकताएं पूर्व में ज्ञात नहीं होती हैं।

शोध पत्र अपने फाइनाइट-टाइम एरर बाउंड्स के संबंध में विनम्र रहता है, यह स्वीकार करते हुए कि जबकि एसिम्प्टोटिक करेक्टनेस सिद्ध है, स्पष्ट फाइनाइट-टाइम रेट्स निकालना एक चुनौती बनी हुई है (जैसा कि अतीत में स्टैंडर्ड थॉमसन सैंपलिंग के मामले में देखा गया था)। हालांकि, लेखक तर्क देते हैं कि एसिम्प्टोटिक साउंडनेस, मजबूत अनुभवजन्य प्रदर्शन और अनसर्टेन्टी मेट्रिक की व्यावहारिक उपयोगिता का संयोजन TTPFTS को मल्टी-ऑब्जेक्टिव निर्णय लेने में एक महत्वपूर्ण प्रगति के रूप में स्थापित करता है।