Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

तकनीकी सारांश: इंटरनल कम्बशन इंजन ऑप्टिमाइज़ेशन (ICEO)

समस्या विवरण
उच्च-आयामी (high-dimensional), गैर-रेखीय (nonlinear), और मल्टीमॉडल खोज स्थानों (multimodal search spaces) में अनुकूलन (optimization) इंजीनियरिंग और कंप्यूटर विज्ञान में एक मौलिक चुनौती बनी हुई है। जबकि मेटाहेयुरिस्टिक्स (metaheuristics) NP-hard समस्याओं के लिए प्रभावी सिद्ध हुए हैं, कई मौजूदा एल्गोरिदम समय से पहले अभिसरण (premature convergence) और अन्वेषण (exploration/diversification) तथा दोहन (exploitation/intensification) के बीच इष्टतम संतुलन बनाए रखने में असमर्थता से ग्रस्त हैं। वर्तमान अनुकूली दृष्टिकोण अक्सर रैंडम म्यूटेशन या गड़बड़ी (perturbation) रणनीतियों पर निर्भर करते हैं जो खोज प्रक्रिया की ऐतिहासिक गतिशीलता या वर्तमान स्थिति को स्पष्ट रूप से शामिल नहीं करते हैं, जिससे स्थानीय इष्टतम (local optima) में ठहराव की स्थिति उत्पन्न होती है।

कार्यप्रणाली
यह शोध पत्र इंटरनल कम्बशन इंजन ऑप्टिमाइज़ेशन (ICEO) का प्रस्ताव करता है, जो एक इंटरनल कम्बशन इंजन के चार-स्ट्रोक ऑपरेटिंग चक्र के इर्द-गिर्द संरचित एक भौतिकी-प्रेरित मेटाहेयुरिस्टिक है। विशुद्ध रूप से रूपक-आधारित एल्गोरिदम के विपरीत, ICEO एक संरचित, अनुकूली प्रणाली के रूप में डिज़ाइन किया गया है जहाँ चार समन्वित चरण सहक्रियात्मक रूप से परस्पर क्रिया करते हैं:

1. इन्टेक (अन्वेषण - Intake/Exploration): यह विविध नए समाधानों के निर्माण और एकीकरण के अनुरूप है। एल्गोरिदम वायुमंडल (जनसंख्या) से "हवा" (उम्मीदवार समाधान) और "ईंधन" (रैंडम परटर्बेशन वेक्टर्स) खींचता है। ताजी हवा बनाम पुनर्चक्रित "जली हुई गैसों" (पहले से हटाए गए समाधानों) के अनुपात को गतिशील रूप से नियंत्रित किया जाता है।
2. कंप्रेशन (प्रारंभिक दोहन - Compression/Early Exploitation): खोज स्थान को वर्तमान सर्वोत्तम समाधान ($X_{best}$) के आसपास क्रमिक रूप से संकुचित किया जाता है। हवा के कणों को ईंधन वेक्टर्स के साथ मिलाकर नए उम्मीदवार कॉन्फ़िगरेशन उत्पन्न किए जाते हैं, जो खोज को आशाजनक क्षेत्रों पर केंद्रित करते हैं।
3. कम्बशन (गहन दोहन और पलायन - Combustion/Intensive Exploitation & Escape): इसे एक संभाव्य प्रक्रिया के रूप में मॉडल किया गया है जहाँ केवल समाधानों का एक उपसमुच्चय "इग्निशन" से गुजरता है। इस चरण में सर्वोत्तम समाधानों का गहन परिशोधन शामिल है। स्थानीय मिनिमा में फंसने से बचने के लिए, एल्गोरिदम कभी-कभी चयनित समाधानों पर लेवी फ्लाइट (Lévy flight)-आधारित गड़बड़ी लागू करता है।
4. एग्जॉस्ट (चयन और अपडेट - Exhaust/Selection & Update): जली हुई गैसों (नवनिर्मित समाधानों) का मूल्यांकन किया जाता है। जनसंख्या को सॉर्ट किया जाता है, और सर्वोत्तम समाधानों को अगले चक्र के लिए बनाए रखा जाता है, जबकि निम्न श्रेणी के उम्मीदवारों को बाहर निकाल दिया जाता है।

अनुकूली नियंत्रण तंत्र (ECU)
ICEO का एक केंद्रीय नवाचार इंजन कंट्रोल यूनिट (ECU) है, जो एक अनुकूली तंत्र है जो पुनरावृत्ति चक्र को नियंत्रित करता है। ECU हाल के फिटनेस मानों के स्लाइडिंग विंडो ($\omega$) का उपयोग करके अभिसरण गति और ठहराव की निगरानी करता है।

• यह औसत सुधार दर ($\Delta f$) की गणना करता है और एक त्वरण पैरामीटर ($a_x$) को समायोजित करता है।
• $a_x$ के आधार पर, ECU गतिशील रूप से वायु-ईंधन अनुपात ($\rho_{air}$ और $\rho_{fuel}$) को निर्धारित करता है, जो प्रभावी रूप से नई विविधता डालने (अन्वेषण) और मौजूदा समाधानों को परिष्कृत करने (दोहन) के बीच संतुलन को नियंत्रित करता है।
• यह फीडबैक-संचालित अनुकूलन एल्गोरिदम को निश्चित शेड्यूल्स के बजाय वास्तविक समय में अनुकूलन गतिशीलता पर प्रतिक्रिया करने की अनुमति देता है।

प्रमुख योगदान

• संरचित चार-चरणीय चक्र: ICEO स्पष्ट रूप से खोज कार्यों को चार अलग-अलग, समन्वित चरणों (इन्टेक, कंप्रेशन, कम्बशन, एग्जॉस्ट) में विभाजित करता है, जो उन एल्गोरिदम से भिन्न है जो इन कार्यों को एकल अपडेट नियमों के भीतर समाहित करते हैं।
• अनुकूली विनियमन: ECU तंत्र का परिचय प्रदर्शन-आधारित पैरामीटर समायोजन की अनुमति देता है, विशेष रूप से ठहराव के आधार पर "कम्बशन" प्रक्रिया की तीव्रता और समाधान इंजेक्शन की दर को ट्यून करता है।
• वायु-ईंधन मिश्रण तंत्र: एल्गोरिदम बाहरी विविधता इंजेक्शन (ईंधन) और जनसंख्या-आधारित निरंतरता (हवा) के लिए खोज संसाधनों को स्पष्ट रूप से विभाजित करता है, जिसका अनुपात अन्वेषण और दोहन को संतुलित करने के लिए अनुकूल रूप से विनियमित किया जाता है।

प्रायोगिक परिणाम
ICEO के प्रदर्शन का मूल्यांकन तीन प्रायोगिक चरणों में दस अत्याधुनिक मेटाहेयुरिस्टिक्स (L-SHADE, CMA-ES, GWO, PSO, और GA सहित) के विरुद्ध किया गया था:

1. मानक बेंचमार्क फंक्शन (D=100): 18 फंक्शन (यूनिमोडल और मल्टीमॉडल) पर परीक्षण किया गया। ICEO ने सबसे कम ग्लोबल रैंक स्कोर (27 अंक) प्राप्त किया, और 15 प्रथम स्थान हासिल किए। इसने प्रतिस्पर्धियों की तुलना में यूनिमोडल (जैसे Dixon-Price) और मल्टीमॉडल (जैसे Rastrigin, Ackley) दोनों प्रकार के फंक्शनों पर बेहतर अभिसरण सटीकता प्रदर्शित की।
2. CEC 2022 बेंचमार्क सुइट (D=20): 12 जटिल फंक्शन (यूनिमोडल, मल्टीमॉडल, हाइब्रिड और कंपोजिशन) पर मूल्यांकन किया गया। ICEO ने फ्राइडमैन टेस्ट (Friedman test) में सर्वश्रेष्ठ औसत रैंक (2.750) प्राप्त की।
   • सांख्यिकीय महत्व: नेमेनी पोस्ट-हॉक टेस्ट (Nemenya post-hoc test) ने संकेत दिया कि ICEO की श्रेष्ठता केवल निम्न-प्रदर्शन वाले एल्गोरिदम (WarSO, EHO, CMA-ES) के विरुद्ध सांख्यिकीय रूप से महत्वपूर्ण थी। शीर्ष प्रतिस्पर्धियों जैसे L-SHAVE और SADE के विरुद्ध अंतर नेमेनी टेस्ट के तहत सांख्यिकीय रूप से महत्वपूर्ण नहीं था, हालांकि विल्कोक्सन साइन्ड-रैंक टेस्ट (Wilcoxon signed-rank test) ने दिखाया कि ICEO ने काफी अधिक पेयरवाइज तुलनाएं जीतीं (कुल 18 हार के मुकाबले 94 जीत)।
3. वास्तविक दुनिया की इंजीनियरिंग समस्याएं: ICEO को स्पीड रिड्यूसर, थ्री-बार ट्रस, और प्रेशर वेसल डिजाइन समस्याओं पर लागू किया गया। सभी मामलों में, इसने बेंचमार्क टेस्ट के शीर्ष पांच एल्गोरिदम की तुलना में प्रतिस्पर्धी प्रदर्शन, तेज़ अभिसरण और कम समाधान फैलाव (solution dispersion) प्रदर्शित किया।
4. एब्लेशन स्टडी (Ablation Study): कंप्रेशन चरण को हटाने (V1) से सबसे महत्वपूर्ण प्रदर्शन गिरावट हुई, जो इसकी महत्वपूर्ण भूमिका को रेखांकित करती है। बिना ECU वाले वेरिएंट (V3) पूर्ण ICEO की तुलना में खराब प्रदर्शन करते हैं, जो पूर्ण ICEO के अनुकूली तंत्र के मूल्य की पुष्टि करते हैं।

महत्व और सीमाएं
लेख दावा करता है कि ICEO अपने संरचित, भौतिकी-प्रेरित चक्र और वास्तविक समय अनुकूली नियंत्रण के माध्यम से अन्वेषण और दोहन को संतुलित करने के लिए एक मजबूत ढांचा प्रदान करता है। ECU तंत्र इसे मानक लीडर-गाइडेड एल्गोरिदम से अलग करता है क्योंकि यह समय के बजाय प्रदर्शन के आधार पर खोज प्रयास को अनुकूलित करता है।

हालाँकि, लेखक विशिष्ट सीमाओं को भी स्वीकार करते हैं:

• सांख्यिकीय सूक्ष्मता: जबकि ICEO अक्सर प्रथम स्थान पर रहता है, नेमेनी टेस्ट सुझाव देता है कि इसकी श्रेष्ठता शीर्ष-स्तरीय प्रतिस्पर्धियों (जैसे L-SHADE) के विरुद्ध सांख्यिकीय रूप से पुष्ट नहीं है, जो उन्नत तरीकों के बीच प्रदर्शन के पर्याप्त ओवरलैप को दर्शाता है।
• कंप्यूटेशनल लागत: जनसंख्या अपडेट के लिए आवश्यक सॉर्टिंग चरण में गैर-नगण्य कंप्यूटेशनल लागत आती है, जो समय-बाधित परिदृश्यों में इसकी प्रयोज्यता को सीमित कर सकती है।
• हाइपरपैरामीटर संवेदनशीलता: हालांकि ECU संवेदनशीलता को कम करता है, फिर भी एल्गोरिदम को $r_{min}$ और $r_{max}$ जैसे मापदंडों के अंशांकन (calibration) की आवश्यकता होती है, और यदि ये अनुशंसित रेंज से बाहर सेट किए जाते हैं तो प्रदर्शन गिर सकता है।
• दायरा: वर्तमान कार्यान्वयन एक सिंगल-ऑब्जेक्टिव ऑप्टिमाइज़र है जिसमें औपचारिक सैद्धांतिक अभिसरण गारंटी (theoretical convergence guarantees) का अभाव है। लेखक सुझाव देते हैं कि भविष्य के कार्य उच्च-आयामी समस्याओं ($D > 500$), मल्टी-ऑब्जेक्टिव ऑप्टिमाइज़ेशन, और डिस्क्रीट सर्च स्पेस को संबोधित करें।