Hybrid multi-objective evolutionary algorithms for service placement in the computing continuum: a comparative study with genetic traceability
यह शोध पत्र एक तुलनात्मक अध्ययन प्रस्तुत करता है जो यह प्रदर्शित करता है कि एक सहयोगात्मक हाइब्रिड आइलैंड-मॉडल मल्टी-ऑब्जेक्टिव इवोल्यूशनरी एल्गोरिदम, जिसे मानक प्रदर्शन संकेतकों और जेनेटिक ट्रेसिबिलिटी दोनों के माध्यम से विश्लेषित किया गया है, कंप्यूटिंग कॉन्टिनम परिवेशों के भीतर सर्विस प्लेसमेंट को अनुकूलित करने में स्टैंडअलोन एल्गोरिदम की तुलना में काफी बेहतर प्रदर्शन करता है।
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
एक ऐसी दुनिया की कल्पना करें जहाँ आपका डिजिटल जीवन केवल एक विशाल, दूर स्थित गोदाम (यानी "क्लाउड") में नहीं बैठा है, बल्कि आपके पड़ोस, आपके शहर और यहाँ तक कि आपके अपने उपकरणों में फैले हुए छोटे सर्वरों के एक विशाल, जीवंत नेटवर्क में फैला हुआ है। इसे कंप्यूटिंग कॉन्टिनम (Computing Continuum) कहा जाता है। इसे एक विशाल, वैश्विक पिज्जा डिलीवरी सिस्टम की तरह समझें। आप केवल एक केंद्रीय रसोई से अपना पिज्जा नहीं चाहते; आप चाहते हैं कि वह आपके सबसे करीबी ओवन से डिलीवर किया जाए ताकि वह गर्म और ताज़ा रहे। लेकिन यहाँ एक पेंच है: वे "ओवन" (कंप्यूटर) सभी अलग-अलग आकार के हैं, उनकी बिजली की क्षमता अलग-अलग है, और वे हर जगह बिखरे हुए हैं। यह तय करना कि कौन सा पिज्जा किस ओवन में जाएगा, और उसे आपको सबसे तेज़ तरीके से और कम बिजली का उपयोग करके कैसे पहुँचाया जाए, एक दिमाग घुमा देने वाली पहेली है जिसे सर्विस प्लेसमेंट (Service Placement) कहा जाता है।
इसे हल करने के लिए, वैज्ञानिक अक्सर इवोल्यूशनरी एल्गोरिदम (Evolutionary Algorithms) का उपयोग करते हैं। कल्पना करें कि डिजिटल शेफ की एक टीम एक आदर्श पिज्जा रेसिपी बनाने की कोशिश कर रही है। वे कई रैंडम, अव्यवस्थित विचारों के साथ शुरुआत करते हैं। वे दो रेसिपीओं के सबसे अच्छे हिस्सों को आपस में मिलाते हैं (क्रॉसओवर), थोड़ा सा अराजकता (chaos) जोड़ते हैं यह देखने के लिए कि क्या होता है (म्यूटेशन), और जो जल गए उन्हें फेंक देते हैं। समय के साथ, वह टीम एक "परफेक्ट रेसिपी" विकसित करती है। लेकिन क्या होगा यदि आपके पास शेफों की एक ऐसी टीम हो, जिनमें से प्रत्येक की शैली पूरी तरह से अलग हो? एक गति का उस्ताद है, दूसरा स्वाद का उस्ताद है, और तीसरा लागत का। क्या होगा यदि वे न केवल अपने स्वयं के किचन में काम करते हैं, बल्कि कभी-कभी एक-दूसरे के साथ अपने सबसे अच्छे पिज्जा भी बदल लेते हैं? यही वह बड़ा सवाल है जो यह शोध पत्र पूछता है: क्या अलग-अलग, सहयोग करने वाले शेफों की एक टीम अकेले काम करने वाले एक एकल शेफ की तुलना में बेहतर परिणाम पकाती है?
यह शोध पत्र, जिसे बालेरिक द्वीप समूह के विश्वविद्यालय के शोधकर्ताओं द्वारा लिखा गया है, इस प्रश्न में गहराई तक जाता है। उन्होंने एक "हाइब्रिड" प्रणाली बनाई जहाँ विभिन्न प्रकार के इवोल्यूशनरी एल्गोरिदम (डिजिटल शेफ) अलग-अलग समूहों में काम करते हैं जिन्हें "आइसलैंड्स" (Islands) कहा जाता है। हर थोड़े समय में, ये आइलैंड्स अपने सबसे अच्छे समाधानों (पिज्जा) को एक-दूसरे के साथ साझा करते हैं। शोधकर्ताओं ने यह देखने के लिए दो बड़े प्रयोग किए कि क्या यह "टीमवर्क" वास्तव में एक अकेले एल्गोरिदम के काम करने से बेहतर है।
अपने पहले प्रयोग में, उन्होंने चार आइलैंड्स सेट किए, जिनमें से प्रत्येक एक अलग, प्रसिद्ध एल्गोरिदम (NSGA-II, NSGA-III, U-NSGA-III, और SMS-EMOA) द्वारा संचालित था। उन्होंने इन्हें 500 पीढ़ियों (generations) तक विकसित होने दिया, और हर 100 पीढ़ियों में समाधानों को आपस में बदला। परिणाम एक स्पष्ट जीत थी। हाइब्रिड समूह ने लगातार उन समाधानों को खोजा जो किसी भी एकल एल्गोरिदम द्वारा अकेले खोजे जा सकने वाले समाधानों से बेहतर थे। उन्होंने केवल एक अच्छा उत्तर नहीं खोजा; उन्होंने उच्च-गुणवत्ता वाले विकल्पों की एक पूरी श्रृंखला खोजी जो गति, लागत और ऊर्जा उपयोग के आदर्श संतुलन के करीब थी।
लेकिन शोधकर्ताओं ने केवल इतना कहकर नहीं छोड़ा कि "यह काम करता है।" वे यह जानना चाहते थे कि "यह कैसे काम करता है।" उन्होंने एक चतुर तरीका ईजाद किया जिससे "जेनेटिक लोड" (genetic load) को ट्रैक किया जा सके, जो अंतिम बैच के हर पिज्जा के पारिवारिक वंश (family tree) को ट्रेस करने जैसा है। वे देखना चाहते थे कि किस शेफ ने अंतिम उत्कृष्ट कृति (masterpiece) में सबसे अधिक योगदान दिया। आश्चर्य की बात क्या थी? यह कोई बराबरी की टक्कर नहीं थी। एक एल्गोरिदम, NSGA-III, सुपरस्टार निकला, जिसने अंतिम समाधानों में सबसे अधिक जेनेटिक सामग्री का योगदान दिया। दूसरा, NSGA-II, सबसे संतुलित था, जिसने टीम में विविधता बनाए रखी, लेकिन उसकी विशिष्ट रेसिपी लंबे समय तक जीवित नहीं रह सकीं। यह साबित करता है कि एक हाइब्रिड टीम में, हर कोई समान रूप से योगदान नहीं देता है; कुछ शैलियाँ दूसरों के साथ बेहतर तालमेल बिठा लेती हैं।
अपने दूसरे प्रयोग में, उन्होंने एक अलग मिश्रण आजमाया: तीन आइलैंड्स जिनमें एल्गोरिदम का एक अलग सेट (NSGA-II, MOEA/TS, और MOCPO) था, जिन्हें एक पूर्ण रूप से जुड़े वेब के बजाय एक घेरे (circle) में व्यवस्थित किया गया था। इस बार, परिणाम थोड़े मिश्रित थे। हाइब्रिड टीम अभी भी प्रतिस्पर्धी थी, लेकिन पहले प्रयोग में देखी गई विशाल बढ़त यहाँ कम थी। शोधकर्ताओं का सुझाव है कि यह इसलिए था क्योंकि "सर्कल" व्यवस्था बहुत रूढ़िवादी थी; शेफ विचारों को इतनी तेज़ी से नहीं बदल पाए कि वे पूरे मेनू का पता लगा सकें। पहले प्रयोग वाली पूरी तरह से जुड़ी हुई टीम अधिक आक्रामक थी, जिसने समूह को समाधान स्थान (solution space) के हर कोने को खोजने के लिए मजबूर किया, जबकि सर्कल वाली टीम एक छोटे, "काफी अच्छे" क्षेत्र को निखारने में ही फंस कर रह गई।
तो, निष्कर्ष क्या है? शोध पत्र सुझाव देता है कि विभिन्न अनुकूलन रणनीतियों (optimization strategies) को मिलाना और उन्हें सहयोग करने देना वास्तव में एकल पद्धति का उपयोग करने की तुलना में जटिल प्लेसमेंट समस्याओं को बेहतर ढंग से हल कर सकता है। हालाँकि, यह जादू नहीं है; वे एक-दूसरे से कैसे बात करते हैं, यह मायने रखता है। यदि वे बहुत कम या एक उबाऊ घेरे में बात करते हैं, तो वे सबसे अच्छे समाधानों को मिस कर सकते हैं। यदि वे अक्सर और सभी दिशाओं से बात करते हैं, तो वे उत्तरों का एक बहुत व्यापक और बेहतर सेट पा सकते हैं। अध्ययन यह भी पुष्टि करता है कि इन हाइब्रिड टीमों में, कुछ एल्गोरिदम स्वाभाविक रूप से "लीडर" बन जाते हैं जबकि अन्य सहायक भूमिका निभाते हैं, और इस गतिशीलता को समझना अगली पीढ़ी के स्मार्ट, कुशल कंप्यूटिंग नेटवर्क बनाने की कुंजी है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।