Toroidal Search Algorithm: A Topology-Inspired Metaheuristic with Applications to ODE Parameterization in Mathematical Oncology

यहाँ शोध पत्र "Toroidal Search Algorithm: A Topology-Inspired Metaheuristic with Applications to ODE Parameterization in Mathematical Oncology" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र कम्प्यूटेशनल ऑप्टिमाइज़ेशन की दो परस्पर जुड़ी चुनौतियों को संबोधित करता है:

• मेटाहेयुरिस्टिक्स में बाउंड्री स्टैग्नेशन (Boundary Stagnation): पारंपरिक जनसंख्या-आधारित मेटाहेयुरिस्टिक एल्गोरिदम (जैसे PSO, DE, FA) अक्सर सीमित खोज क्षेत्रों (bounded search spaces) में "बाउंड्री स्टैग्नेशन" से ग्रस्त होते हैं। जब एजेंट खोज डोमेन की सीमाओं से टकराते हैं, तो मानक हैंडलिंग रणनीतियाँ (अवशोषण, परावर्तन, या यादृच्छिक पुनर्रचना) खोज प्रक्षेपवक्र (trajectories) को विकृत कर सकती हैं, अन्वेषण (exploration) को सीमित कर सकती हैं, और समय से पहले उप-इष्टतम समाधानों (suboptimal solutions) पर अभिसरण (convergence) का कारण बन सकती हैं। यह समस्या उच्च-आयामी स्थानों में बढ़ जाती है जहाँ सीमा उल्लंघन अधिक बार होते हैं।
• गणितीय ऑन्कोलॉजी में इनवर्स प्रॉब्लम्स (Inverse Problems in Mathematical Oncology): ट्यूमर वृद्धि और कीमोथेरेपी प्रतिक्रिया के लिए साधारण अवकल समीकरण (ODE) मॉडल को पैरामीटराइज़ करना एक कठिन 'इनवर्स प्रॉब्लम' है। ये मॉडल उच्च गैर-रैखिकता (nonlinearity), गैर-उत्तलता (non-convexity), बहु-मोडालिटी (multimodality), और प्रारंभिक स्थितियों के प्रति संवेदनशीलता से युक्त होते हैं। पारंपरिक अनुकूलन विधियाँ अक्सर स्थानीय इष्टतम (local optima) में फंस जाने या विभिन्न रन के दौरान उच्च विचरण (variance) प्रदर्शित करने के कारण शारीरिक रूप से प्रशंसनीय (physiologically plausible) पैरामीटर खोजने में विफल रहती हैं।

2. कार्यप्रणाली: टोरोइडल सर्च एल्गोरिदम (TSA)

लेखक टोरोइडल सर्च एल्गोरिदम (TSA) का प्रस्ताव करते हैं, जो एक नवीन मेटाहेयुरिस्टिक है जो खोज स्थान की ज्यामिति (geometry) की मौलिक रूप से पुनर्कल्पना करता है।

मुख्य अवधारणाएँ (Core Concepts)

• टोरोइडल ज्यामिति (Toroidal Geometry): खोज स्थान को हार्ड किनारों वाले हाइपरक्यूब के रूप में मानने के बजाय, TSA डोमेन को एक $n$-आयामी टॉरस ($T^n$) पर मैप करता है। यह आवधिक सीमा स्थितियों (periodic boundary conditions) के माध्यम से प्राप्त किया जाता है: यदि कोई एजेंट एक दिशा में सीमा पार करता है, तो वह तुरंत विपरीत दिशा से पुनः प्रवेश करता है। यह कृत्रिम सीमाओं को समाप्त करता है और निरंतर, चक्रीय अन्वेषण की अनुमति देता है।
• वाइंडिंग नंबर्स (Winding Numbers): TSA एक एल्गोरिद्मिक एनालॉग के रूप में 'टॉपोलॉजिकल वाइंडिंग नंबर्स' पेश करता है। प्रत्येक एजेंट एक वाइंडिंग वेक्टर ($W_i$) बनाए रखता है जो प्रत्येक आयाम में एजेंट द्वारा सीमाओं को पार करने की संचयी संख्या को ट्रैक करता है।
  • कार्य: वाइंडिंग वेक्टर का परिमाण ($\|W_i\|$) अन्वेषण इतिहास के माप के रूप में कार्य करता है। उच्च वाइंडिंग परिमाण वाले एजेंटों (जो बिना इष्टतम खोजे व्यापक आवाजाही का संकेत देते हैं) को सूक्ष्म स्थानीय खोज (finer local search) की आवश्यकता होती है। फलस्वरूप, इन एजेंटों के लिए स्टेप साइज (step size) को अनुकूल रूप से कम कर दिया जाता है।
• संशोधित सिग्मॉइड कंट्रोल (Modified Sigmoid Control): एक संशोधित सिग्मॉइड फलन $\sigma(t)$, इटरेशन काउंट ($t$) के आधार पर वैश्विक अन्वेषण (global exploration) और स्थानीय शोषण (local exploitation) के बीच संक्रमण को गतिशील रूप से संतुलित करता है।
  • शुरुआती इटरेशन: उच्च $\sigma(t)$ वैश्विक खोज शब्द (global search term) को सक्रिय करता है।
  • अंतिम इटरेशन: निम्न $\sigma(t)$ वैश्विक खोज को दबा देता है और स्थानीय परिशोधन (local refinement) शब्द को सक्रिय करता है।

अपडेट तंत्र (Update Mechanism)

एक एजेंट $P_i$ के लिए स्थिति अपडेट तीन घटकों को जोड़ता है:

1. ग्लोबल सर्च टर्म: यह एजेंट और सर्वश्रेष्ठ समाधान ($P_{best}$) के बीच की दूरी की गणना करने के लिए टोरोइडल दूरी ($d_T$) का उपयोग करता है, जो डोमेन के चारों ओर घूमने वाले सबसे छोटे पथ को ध्यान में रखता है। यह एजेंटों को उन पथों का अन्वेषण करने के लिए प्रोत्साहित करता है जो डोमेन के चारों ओर घूमते हैं।
2. लोकल सर्च टर्म: यह वाइंडिंग वेक्टर के व्युत्क्रम ($1/(1+\|W_i\|^2)$) के आधार पर गति को स्केल करता है। उच्च वाइंडिंग नंबर स्टेप साइज को कम करते हैं, जिससे आशाजनक क्षेत्रों के पास सटीक स्थानीय खोज को बढ़ावा मिलता है।
3. प्रोबेबिलिस्टिक स्विचिंग (Probabilistic Switching): प्रायिकता $p$ के साथ, एजेंट पूर्ण टोरोइडल अपडेट नियम का उपयोग करता है; अन्यथा, यह अभिसरण सुनिश्चित करने के लिए वर्तमान सर्वश्रेष्ठ एजेंट की ओर सीधा आकर्षण (direct attraction) का पालन करता है।

3. प्रमुख योगदान (Key Contributions)

• नवीन टोपोलॉजी-आधारित डिज़ाइन: TSA पहला मेटाहेयुरिस्टिक है जो टोरोइडल ज्यामिति को केवल एक बाउंड्री हैंडलिंग फिक्स के रूप में नहीं, बल्कि स्टेप साइज को नियंत्रित करने के लिए वाइंडिंग नंबर्स का उपयोग करते हुए एक मुख्य खोज रणनीति के रूप में एकीकृत करता है।
• आयामीता के प्रति मजबूती (Robustness to Dimensionality): TSA को विशेष रूप से "डायमेंशनलिटी के अभिशाप" (curse of dimensionality) को कम करने के लिए डिज़ाइन किया गया है, जो समस्या के आयामों के 10 से 500 तक बढ़ने पर भी प्रदर्शन बनाए रखता है।
• अनुकूली स्थानीय खोज (Adaptive Local Search): वाइंडिंग नंबर्स का उपयोग एक अद्वितीय, इतिहास-निर्भर तंत्र प्रदान करता है जो मैन्युअल पैरामीटर ट्यूनिंग के बिना स्वचालित रूप से स्थानीय खोज को परिष्कृत करता है।
• वास्तविक दुनिया का अनुप्रयोग: शोध पत्र जटिल, उच्च-दांव वाले डोमेन में TSA की उपयोगिता को प्रदर्शित करता है: सिंथेटिक और वास्तविक क्लिनिकल प्रोस्टेट कैंसर डेटा का उपयोग करके ट्यूमर वृद्धि और कीमोथेरेपी प्रतिक्रिया के लिए ODE मॉडल के मापदंडों का अनुमान लगाना।

4. प्रयोगात्मक परिणाम (Experimental Results)

बेंचमार्किंग (एकल-मोडल और बहु-मोडल फलन)

TSA का परीक्षण 24 बेंचमार्क फलनों पर आयाम $D = 10, 50, 100, 500$ के लिए पांच स्थापित एल्गोरिदम (PSO, DE, FA, ABC, TLBO) के विरुद्ध किया गया था।

• प्रदर्शन: TSA ने प्रतिस्पर्धियों को लगातार पछाड़ दिया या उनके बराबर रहा, विशेष रूप से उच्च-आयामी सेटिंग्स में।
• स्थिरता: TSA ने 30 स्वतंत्र रन के माध्यम से अन्य तरीकों की तुलना में काफी कम विचरण (मानक विचलन) प्रदर्शित किया, जो उच्च विश्वसनीयता का संकेत देता है।
• अभिसरण (Convergence): जबकि कुछ प्रतिस्पर्धी आयाम बढ़ने के साथ तेजी से खराब हो गए, TSA ने कम त्रुटि दरों के साथ तेज़ अभिसरण बनाए रखा। विशेष रूप से, फलन $f_{17}$ पर, TSA ने उच्च आयामों ($D=50, 100, 500$) में सटीक वैश्विक न्यूनतम (global minimum) प्राप्त किया जहाँ अन्य विफल रहे।
• कम्प्यूटेशनल लागत: TSA को PSO/DE की तुलना में प्रति इटरेशन थोड़ा अधिक समय की आवश्यकता थी, लेकिन यह FA से काफी तेज़ था। कम इटरेशन में अभिसरण करने की इसकी क्षमता अक्सर समाधान की गुणवत्ता और कुल रनटाइम के बीच एक अनुकूल व्यापार-बंद (trade-off) प्रदान करती है।

केस स्टडी: गणितीय ऑन्कोलॉजी (Mathematical Oncology)

TSA का उपयोग एक लॉग-किल (LK) कीमोथेरेपी ODE मॉडल को पैरामीटराइज़ करने के लिए किया गया था।

• सिंथेटिक डेटा: TSA ने वास्तविक पैरामीटर्स ($V_0, \rho, e, k$) को लगभग शून्य त्रुटि और अत्यंत कम विचरण के साथ रिकवर किया, यहाँ तक कि छोटे जनसंख्या आकार ($N_p=5$) और 20% शोर (noise) के साथ भी। प्रतिस्पर्धी एल्गोरिदम (विशेष रूप से PSO) भारी त्रुटियों और अस्थिरता को दर्शाते हैं।
• क्लिनिकल डेटा: वास्तविक प्रोस्टेट कैंसर रोगी डेटा (PSA ट्रेजेक्टरी) का उपयोग करते हुए, TSA ने जटिल, मल्टी-साइकिल ट्यूमर प्रतिक्रिया वाले रोगियों के लिए शारीरिक रूप से प्रशंस्य पैरामीटर सफलतापूर्वक पहचाने।
  • भविदन सटीकता (Prediction Accuracy): TSA ने अन्य एल्गोरिदम की तुलना में कम डेटा बिंदुओं के साथ MSE $\le 0.1$ प्राप्त किया।
  • मजबूती: PSO, FA और TLBO जैसे प्रतिस्पर्धी अक्सर स्थानीय इष्टतम से बाहर निकलने में विफल रहे, जिससे अनियंत्रित भविष्यवाणियाँ (जैसे नकारात्मक ट्यूमर वॉल्यूम या अवास्तविक विकास दर) हुईं। TSA एकमात्र ऐसा एल्गोरिदम था जो सबसे जटिल मामले (रोगी 62, तीन उपचार चक्र) को हल करने में सक्षम था।

5. महत्व (Significance)

टोरोइडल सर्च एल्गोरिदम टोपोलॉजिकल नवाचार के माध्यम से बाउंड्री स्टैग्नेशन की मौलिक सीमा को संबोधित करके ग्लोबल ऑप्टिमाइज़ेशन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है।

• वैज्ञानिक प्रभाव: यह एक मजबूत उपकरण प्रदान करता है जहाँ उच्च-आयामी, शोर युक्त और गैर-उत्तल अनुकूलन (जैसे सिस्टम बायोलॉजी, क्लाइमेट मॉडलिंग, मशीन लर्निंग) आम है।
• नैदानिक प्रासंगिकता (Clinical Relevance): गणितीय ऑन्कोलॉजी में, स्पार्स (sparse) और शोर युक्त क्लिनिकल डेटा से मॉडल पैरामीटर को विश्वसनीय रूप से अनुमानित करने की क्षमता व्यक्तिगत उपचार योजना के लिए महत्वपूर्ण है। TSA की स्थिरता और सटीकता सुझाव देती है कि यह डिजिटल ट्विन्स और उपचार अनुकूलन रणनीतियों की विश्वसनीयता में सुधार कर सकती है।
• पद्धतिगत बदलाव (Methodological Shift): यह शोध पत्र तर्क देता है कि खोज ऑपरेटरों में टोपोलॉजिकल संरचनाओं (जैसे टॉरस) को पोस्ट-हॉक बाउंड्री सुधार के रूप में शामिल करने के बजाय सीधे एकीकृत करने से जटिल खोज परिदृश्यों में बेहतर प्रदर्शन प्राप्त होता है।

उपलब्धता: TSA का सोर्स कोड GitHub पर सार्वजनिक रूप से उपलब्ध है, और उपयोग किया गया क्लिनिकल डेटासेट लेखकों द्वारा दिए गए लिंक के माध्यम से सुलभ है।