The Generalized Fermat-Torricelli-Weber Problem

तकनीकी सारांश: सामान्यीकृत फर्मा-टोरिसेली-वेबर समस्या (The Generalized Fermat-Torricelli-Weber Problem)

समस्या का निरूपण
यह शोध पत्र वास्तविक हिल्बर्ट स्पेस (real Hilbert spaces) के ढांचे के भीतर एक नई सामान्यीकृत फर्मा-टोरिसेली-वेबर (FTW) समस्या प्रस्तुत करता है। इस समस्या को एक प्रतिबंधित न्यूनीकरण कार्य (constrained minimization task) के रूप में तैयार किया गया है:
$$\min_{x \in D} \zeta(x)$$
जहाँ $D$ एक हिल्बर्ट स्पेस $H$ का एक गैर-रिक्त, बंद और उत्तल (convex) उपसमुच्चय है। उद्देश्य फलन (objective function) $\zeta(x)$ को इस प्रकार परिभाषित किया गया है:
$$\zeta(x) = \left\| \sum_{i=1}^{L} B_i(A_i x) - \tilde{y} \right\|_K + \sum_{i=1}^{L} \sum_{j=1}^{m_i} t_{ij} \| A_i x - P_{C_{ij}}(A_i x) \|_{H_i}$$
यहाँ $A_i: H \to H_i$ और $B_i: H_i \to K$ परिबद्ध रैखिक ऑपरेटर (bounded linear operators) हैं; $C_{ij}$, $H_i$ के गैर-रिक्त, बंद, उत्तल उपसमुच्चय हैं; $P_{C_{ij}}$, $C_{ij}$ पर मेट्रिक प्रोजेक्शन (metric projection) को दर्शाता है; $\tilde{y}$, $K$ का एक निश्चित तत्व है; और $t_{ij}$ धनात्मक वास्तविक भार (weights) हैं। फलन $\zeta(x)$ नॉन-स्मूथ (non-smooth) और उत्तल (convex) है।

लेखक यह प्रदर्शित करते हैं कि यह सामान्यीकृत ढांचा कई मौजूदा समस्याओं को विशेष मामलों के रूप में समाहित करता है, जिनमें शास्त्रीय फर्मा-वेबर लोकेशन समस्या, सामान्यीकृत फर्मा-टोरिसेली समस्या, कई आउटपुट सेटों के साथ स्प्लिट फजीबिलिटी प्रॉब्लम (SFP-MOS), और स्प्लिट इक्वैलिटी प्रॉब्लम (SEP) शामिल हैं।

कार्यप्रणाली (Methodology)
इस नॉन-स्मूथ ऑप्टिमाइजेशन समस्या को हल करने के लिए, लेखक एक सबग्रेडिएंट एल्गोरिदम (एल्गोरिदम 3.1) विकसित करते हैं। इस दृष्टिकोण की एक विशिष्ट विशेषता सबग्रेडिएंट के चयन में लचीलापन है; एल्गोरिदम प्रत्येक पुनरावृत्ति (iteration) पर सबडिफरेंशियल $\partial \zeta(x_n)$ से एक मनमाने तत्व के चयन की अनुमति देता है, न कि किसी विशिष्ट चयन नियम की आवश्यकता होती है।

पुनरावृत्ति योजना (iterative scheme) इस प्रकार है:
$$x_{n+1} = P_D^H (x_n - \sigma_n g_n)$$
जहाँ $g_n$ उद्देश्य फलन के सबडिफरेंशियल का एक मनमाना तत्व है, और $\sigma_n$ धनात्मक स्टेप साइज (step sizes) का एक अनुक्रम है।

लेखक स्टेप-साइज अनुक्रम $\{\sigma_n\}$ के आधार पर दो अलग-अलग अभिसरण व्यवस्थाओं (convergence regimes) का विश्लेषण करते हैं:

1. मानक सबग्रेडिएंट व्यवस्था (Standard Subgradient Regime): जब $\lim_{n \to \infty} \sigma_n = 0$ और $\sum \sigma_n = \infty$, तो लेखक सिद्ध करते हैं कि न्यूनतम मानों का अनुक्रम $M_n = \min_{1 \le k \le n} \zeta(x_k)$ इष्टतम मान (optimal value) की ओर अभिसरित होता है। इसके अलावा, यदि $\sum \sigma_n^2 < \infty$, तो अनुक्रम $\{x_n\}$ में एक उप-अनुक्रम (subsequence) होता है जो एक समाधान की ओर दुर्बल रूप से (weakly) अभिसरित होता है। परिमित-आयामी (finite-dimensional) स्थानों में, यह सुदृढ़ अभिसरण (strong convergence) को दर्शाता है।
2. अनुकूली स्टेप-साइज व्यवस्था (Adaptive Step-Size Regime - MSFP-MOS के लिए): जब इष्टतम मान ज्ञात रूप से शून्य होता है (जैसा कि कई आउटपुट सेटों के साथ मिश्रित स्प्लिट फजीबिलिटी प्रॉब्लम, MSFP-MOS में होता है), तो लेखक एक अनुकूली स्टेप-साइज नियम प्रस्तावित करते हैं:
   $$\sigma_n = \frac{\tau_n \zeta(x_n)}{\|g_n\|^2 + \beta_n}$$
   जहाँ $\tau_n \in [a, b] \subset (0, 2)$ और $\{\beta_n\}$ एक परिबद्ध धनात्मक अनुक्रम है। इन शर्तों के तहत, यह सिद्ध किया गया है कि अनुक्रम $\{x_n\}$ MSFP-MOS के एक समाधान की ओर दुर्बल रूप से अभिसरित होता है।

इसके अतिरिक्त, यह शोध पत्र एक स्ट्रिक्ट कॉन्ट्रैक्शन मैपिंग $f$ से जुड़े विस्कोसिटी एप्रोक्सिमेशन मेथड (एल्गोरिदम 4.1) को पेश करता है। यह संस्करण दिखाया गया है कि यह समस्या से जुड़े एक विशिष्ट वेरिएशनल इनइक्वेलिटी (variational inequality) के अद्वितीय समाधान की ओर सुदृढ़ अभिसरण (strong convergence) प्रदान करता है।

प्रमुख योगदान (Key Contributions)

• एकीकृत ढांचा (Unified Framework): यह शोध पत्र एक एकीकृत ढांचा स्थापित करता है जो सामान्यीकृत FTW समस्या को स्प्लिट इक्वैलिटी प्रॉब्लम (SEP) और कई आउटपुट सेटों के साथ स्प्लिट फजीबिलिटी प्रॉब्लम (SFP-MOS) से जोड़ता है। लेखकों के ज्ञान के अनुसार, यह इन समस्याओं को एक ही सामान्यीकृत संरचना के भीतर स्पष्ट रूप से जोड़ने वाला पहला कार्य है।
• मनमाना सबग्रेडिएंट चयन (Arbitrary Subgradient Selection): प्रस्तावित एल्गोरिदम नॉन-स्मूथ उद्देश्य फलन के सबडिफरेंशियल से एक मनमाने तत्व के चयन की अनुमति देता है, जो उन मौजूदा विधियों की तुलना में अधिक लचीलापन प्रदान करता है जिन्हें विशिष्ट सबग्रेडिएंट चयन की आवश्यकता हो सकती है।
• अभिसरण विश्लेषण (Convergence Analysis): लेखक विभिन्न स्टेप साइज और अंतर्निहित हिल्बर्ट स्पेस (परिमित बनाम अनंत आयामी) की विभिन्न स्थितियों के तहत प्रस्तावित एल्गोरिदम के लिए दोनों दुर्बल (weak) और सुदृढ़ (strong) अभिसरण प्रमेय स्थापित करते हैं।
• इमेज डीब्लरिंग (Image Deblurring) में अनुप्रयोग: इस सैद्धांतिक ढांचे को इमेज डीब्लरिंग समस्या पर लागू किया गया है, जिसे सामान्यीकृत FTW समस्या के एक विशिष्ट उदाहरण के रूप में तैयार किया गया है।

परिणाम और संख्यात्मक प्रयोग (Results and Numerical Experiments)
सैद्धांतिक परिणामों को MATLAB R2025(a) में कार्यान्वित संख्यात्मक प्रयोगों के माध्यम से सत्यापित किया गया है।

• सिंथेटिक डेटा (Synthetic Data): सिंथेटिक उत्तल सेटों और रैखिक ऑपरेटरों पर प्रयोग एल्गोरिदम के अभिसरण व्यवहार (एल्गोरिदम X, Y, Z, 5.1, 5.2, 5.3, और 5.4 के रूप में लेबल किए गए) को प्रदर्शित करते हैं। परिणाम दर्शाते हैं कि अनुकूली स्टेप-साइज एल्गोरिदम आमतौर पर फिक्स्ड स्टेप-साइज दृष्टिकोणों की तुलना में कम पुनरावृत्तियों के साथ और तेजी से अभिसरित होते हैं।
• इमेज डीब्लरिंग (Image Deblurring): फ्रेमवर्क को गाऊसी कर्नेल (Gaussian kernel) द्वारा डिग्रेड की गई धुंधली छवियों (Cameraman और Tire डेटासेट) को पुनर्स्थापित करने के लिए लागू किया गया है। इसके प्रदर्शन को सिग्नल-टू-नॉइज़ रेशियो (SNR) का उपयोग करके मापा जाता है। संख्यात्मक परिणाम संकेत देते हैं कि प्रस्तावित एल्गोरिदम छवियों को सफलतापूर्वक रिकवर करते हैं, जहाँ एल्गोरिदम 5.2 (सुदृढ़ अभिसरण संस्करण) परीक्षण किए गए परिदृश्यों में एल्गोरिदम 5.1 की तुलना में थोड़ा उच्च SNR मान प्राप्त करता है।

महत्व और दावे (Significance and Claims)
लेखक दावा करते हैं कि यह कार्य साहित्य में मौजूद कई मौजूदा दृष्टिकोणों का विस्तार और सामान्यीकरण करता है। प्राथमिक महत्व एक नए सामान्यीकृत समस्या मॉडल को पेश करने में निहित है जो लोकैशन थ्योरी (FTW) को स्प्लिट फजीबिलिटी समस्याओं के साथ एकीकृत करता है। एक सबग्रेडिएंट एल्गोरिदम विकसित करके जो मनमाने सबग्रेडिएंट चयन की अनुमति देता है और उसके अभिसरण गुणों को सिद्ध करके, यह शोध पत्र हिल्बर्ट स्पेस में नॉन-स्मूथ ऑप्टिमाइजेशन समस्याओं को हल करने के लिए एक मजबूत सैद्धांतिक उपकरण प्रदान करता है। इमेज डीब्लरिंग के लिए इसका अनुप्रयोग वास्तविक दुनिया की इनवर्स समस्याओं (inverse problems) को हल करने में प्रस्तावित ढांचे की व्यावहारिक उपयोगिता को प्रदर्शित करने के लिए है।